Buchumschlag

Investigating Execution-Aware Language Models for Code Optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Di Menna, Federico, Traini, Luca, Bavota, Gabriele, Cortellessa, Vittorio
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering Artificial Intelligence Computation and Language Performance
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AI-driven Java Performance Testing: Balancing Result Quality with Testing Time
von: Traini, Luca, et al.
Veröffentlicht: (2024)

On the Compression of Language Models for Code: An Empirical Study on CodeBERT
von: d'Aloisio, Giordano, et al.
Veröffentlicht: (2024)

Performance of Genetic Algorithms in the Context of Software Model Refactoring
von: Cortellessa, Vittorio, et al.
Veröffentlicht: (2023)

Regression Language Models for Code
von: Akhauri, Yash, et al.
Veröffentlicht: (2025)

A Model-driven Approach for Continuous Performance Engineering in Microservice-based Systems
von: Cortellessa, Vittorio, et al.
Veröffentlicht: (2023)

SuperCoder: Assembly Program Superoptimization with Large Language Models
von: Wei, Anjiang, et al.
Veröffentlicht: (2025)

Should AI Optimize Your Code? A Comparative Study of Classical Optimizing Compilers Versus Current Large Language Models
von: Rosas, Miguel Romero, et al.
Veröffentlicht: (2024)

Towards Assessing Spread in Sets of Software Architecture Designs
von: Cortellessa, Vittorio, et al.
Veröffentlicht: (2024)

Optimizing Agentic Language Model Inference via Speculative Tool Calls
von: Nichols, Daniel, et al.
Veröffentlicht: (2025)

CDS4RAG: Cyclic Dual-Sequential Hyperparameter Optimization for RAG
von: Chen, Pengzhou, et al.
Veröffentlicht: (2026)

Can We Make Code Green? Understanding Trade-Offs in LLMs vs. Human Code Optimizations
von: Rani, Pooja, et al.
Veröffentlicht: (2025)

LLMSYS-HPOBench: Hyperparameter Optimization Benchmark Suite for Real-World LLM Systems
von: Wu, Siyu, et al.
Veröffentlicht: (2026)

SWE-fficiency: Can Language Models Optimize Real-World Repositories on Real Workloads?
von: Ma, Jeffrey Jian, et al.
Veröffentlicht: (2025)

Large Language Model Critics for Execution-Free Evaluation of Code Changes
von: Yadavally, Aashish, et al.
Veröffentlicht: (2025)

Do AI Models Dream of Faster Code? An Empirical Study on LLM-Proposed Performance Improvements in Real-World Software
von: Yi, Lirong, et al.
Veröffentlicht: (2025)

This Is Taking Too Long -- Investigating Time as a Proxy for Energy Consumption of LLMs
von: Krupp, Lars, et al.
Veröffentlicht: (2026)

Type-Aware Retrieval-Augmented Generation with Dependency Closure for Solver-Executable Industrial Optimization Modeling
von: Zhong, Y., et al.
Veröffentlicht: (2026)

MutaGReP: Execution-Free Repository-Grounded Plan Search for Code-Use
von: Khan, Zaid, et al.
Veröffentlicht: (2025)

OpenCodeInterpreter: Integrating Code Generation with Execution and Refinement
von: Zheng, Tianyu, et al.
Veröffentlicht: (2024)

CodeRosetta: Pushing the Boundaries of Unsupervised Code Translation for Parallel Programming
von: TehraniJamsaz, Ali, et al.
Veröffentlicht: (2024)

CodeRL+: Improving Code Generation via Reinforcement with Execution Semantics Alignment
von: Jiang, Xue, et al.
Veröffentlicht: (2025)

BigCodeArena: Unveiling More Reliable Human Preferences in Code Generation via Execution
von: Zhuo, Terry Yue, et al.
Veröffentlicht: (2025)

LLM Interactive Optimization of Open Source Python Libraries -- Case Studies and Generalization
von: Florath, Andreas
Veröffentlicht: (2023)

CodeScope: An Execution-based Multilingual Multitask Multidimensional Benchmark for Evaluating LLMs on Code Understanding and Generation
von: Yan, Weixiang, et al.
Veröffentlicht: (2023)

PerfCodeGen: Improving Performance of LLM Generated Code with Execution Feedback
von: Peng, Yun, et al.
Veröffentlicht: (2024)

VisCoder: Fine-Tuning LLMs for Executable Python Visualization Code Generation
von: Ni, Yuansheng, et al.
Veröffentlicht: (2025)

A Code Comprehension Benchmark for Large Language Models for Code
von: Havare, Jayant, et al.
Veröffentlicht: (2025)

CodeMirage: Hallucinations in Code Generated by Large Language Models
von: Agarwal, Vibhor, et al.
Veröffentlicht: (2024)

Learning Performance-Improving Code Edits
von: Shypula, Alexander, et al.
Veröffentlicht: (2023)

ConCodeEval: Evaluating Large Language Models for Code Constraints in Domain-Specific Languages
von: Kammakomati, Mehant, et al.
Veröffentlicht: (2024)

Testing the Effect of Code Documentation on Large Language Model Code Understanding
von: Macke, William, et al.
Veröffentlicht: (2024)

Worst-Case Convergence Time of ML Algorithms via Extreme Value Theory
von: Tizpaz-Niari, Saeid, et al.
Veröffentlicht: (2024)

Investigating the Efficacy of Large Language Models for Code Clone Detection
von: Khajezade, Mohamad, et al.
Veröffentlicht: (2024)

Advancing Language Models for Code-related Tasks
von: Tian, Zhao
Veröffentlicht: (2026)

PerfBench: Can Agents Resolve Real-World Performance Bugs?
von: Garg, Spandan, et al.
Veröffentlicht: (2025)

Prompting for Performance: Exploring LLMs for Configuring Software
von: Spieker, Helge, et al.
Veröffentlicht: (2025)

Interpreting Performance Profiles with Deep Learning
von: Liu, Zhuoran
Veröffentlicht: (2025)

Energy Consumption of Dataframe Libraries for End-to-End Deep Learning Pipelines:A Comparative Analysis
von: Kumar, Punit, et al.
Veröffentlicht: (2025)

Root Cause Localization for Microservice Systems in Cloud-edge Collaborative Environments
von: Zhu, Yuhan, et al.
Veröffentlicht: (2024)

Predicting Software Performance with Divide-and-Learn
von: Gong, Jingzhi, et al.
Veröffentlicht: (2023)