Buchumschlag

Migrating Code At Scale With LLMs At Google

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ziftci, Celal, Nikolov, Stoyan, Sjövall, Anna, Kim, Bo, Codecasa, Daniele, Kim, Max
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

How is Google using AI for internal code migrations?
von: Nikolov, Stoyan, et al.
Veröffentlicht: (2025)

LLM-Based Automated Diagnosis Of Integration Test Failures At Google
von: Ziftci, Celal, et al.
Veröffentlicht: (2026)

A Multi-agent AI System for Deep Learning Model Migration from TensorFlow to JAX
von: Nikolov, Stoyan, et al.
Veröffentlicht: (2026)

Hallucination by Code Generation LLMs: Taxonomy, Benchmarks, Mitigation, and Challenges
von: Lee, Yunseo, et al.
Veröffentlicht: (2025)

The Conversations Beneath the Code: Triadic Data for Long-Horizon Software Engineering Agents
von: Kim, Yelin
Veröffentlicht: (2026)

ECO: Enhanced Code Optimization via Performance-Aware Prompting for Code-LLMs
von: Kim, Su-Hyeon, et al.
Veröffentlicht: (2025)

A Low-Code Methodology for Developing AI Kiosks: a Case Study with the DIZEST Platform
von: Moon, SunMin, et al.
Veröffentlicht: (2025)

Benchmarking LLMs for Fine-Grained Code Review with Enriched Context in Practice
von: Hu, Ruida, et al.
Veröffentlicht: (2025)

LibRec: Benchmarking Retrieval-Augmented LLMs for Library Migration Recommendations
von: Han, Junxiao, et al.
Veröffentlicht: (2025)

An Empirical Study of Code Obfuscation Practices in the Google Play Store
von: Niroshan, Akila, et al.
Veröffentlicht: (2025)

FreshBrew: A Benchmark for Evaluating AI Agents on Java Code Migration
von: May, Victor, et al.
Veröffentlicht: (2025)

Analysis on LLMs Performance for Code Summarization
von: Akib, Md. Ahnaf, et al.
Veröffentlicht: (2024)

ReDef: Do Code Language Models Truly Understand Code Changes for Just-in-Time Software Defect Prediction?
von: Nam, Doha, et al.
Veröffentlicht: (2025)

CodeAssistBench (CAB): Dataset & Benchmarking for Multi-turn Chat-Based Code Assistance
von: Kim, Myeongsoo, et al.
Veröffentlicht: (2025)

Evaluating Agent-based Program Repair at Google
von: Rondon, Pat, et al.
Veröffentlicht: (2025)

The Code Barrier: What LLMs Actually Understand?
von: Nikiema, Serge Lionel, et al.
Veröffentlicht: (2025)

Do Code LLMs Understand Design Patterns?
von: Pan, Zhenyu, et al.
Veröffentlicht: (2025)

Function-to-Style Guidance of LLMs for Code Translation
von: Zhang, Longhui, et al.
Veröffentlicht: (2025)

Evaluating the Energy-Efficiency of the Code Generated by LLMs
von: Islam, Md Arman, et al.
Veröffentlicht: (2025)

CodeTF: One-stop Transformer Library for State-of-the-art Code LLMs
von: Bui, Nghi D. Q., et al.
Veröffentlicht: (2023)

Mastering the Craft of Data Synthesis for CodeLLMs
von: Chen, Meng, et al.
Veröffentlicht: (2024)

Rectifier: Code Translation with Corrector via LLMs
von: Yin, Xin, et al.
Veröffentlicht: (2024)

CodeGenLink: A Tool to Find the Likely Origin and License of Automatically Generated Code
von: Bifolco, Daniele, et al.
Veröffentlicht: (2025)

CodeWatcher: IDE Telemetry Data Extraction Tool for Understanding Coding Interactions with LLMs
von: Basha, Manaal, et al.
Veröffentlicht: (2025)

Can LLMs Replace Humans During Code Chunking?
von: Glasz, Christopher, et al.
Veröffentlicht: (2025)

Holistic Evaluation of State-of-the-Art LLMs for Code Generation
von: Zhang, Le, et al.
Veröffentlicht: (2025)

SpecRover: Code Intent Extraction via LLMs
von: Ruan, Haifeng, et al.
Veröffentlicht: (2024)

Teaching Machines to Code: Smart Contract Translation with LLMs
von: Karanjai, Rabimba, et al.
Veröffentlicht: (2024)

Empirical Assessment of the Perception of Software Product Line Engineering by an SME before Migrating its Code Base
von: Georges, Thomas, et al.
Veröffentlicht: (2025)

Coding in a Bubble? Evaluating LLMs in Resolving Context Adaptation Bugs During Code Adaptation
von: Zhang, Tanghaoran, et al.
Veröffentlicht: (2026)

Agentic Bug Reproduction for Effective Automated Program Repair at Google
von: Cheng, Runxiang, et al.
Veröffentlicht: (2025)

Identifying Performance-Sensitive Configurations in Software Systems through Code Analysis with LLM Agents
von: Wang, Zehao, et al.
Veröffentlicht: (2024)

Scaling Coding Agents via Atomic Skills
von: Ma, Yingwei, et al.
Veröffentlicht: (2026)

The Debugging Decay Index: Rethinking Debugging Strategies for Code LLMs
von: Adnan, Muntasir, et al.
Veröffentlicht: (2025)

Neuron-Guided Interpretation of Code LLMs: Where, Why, and How?
von: Yin, Zhe, et al.
Veröffentlicht: (2025)

ReCatcher: Towards LLMs Regression Testing for Code Generation
von: Abbassi, Altaf Allah, et al.
Veröffentlicht: (2025)

Integrating Symbolic Execution into the Fine-Tuning of Code-Generating LLMs
von: Sakharova, Marina, et al.
Veröffentlicht: (2025)

AutoRestTest: A Tool for Automated REST API Testing Using LLMs and MARL
von: Stennett, Tyler, et al.
Veröffentlicht: (2025)

Benchmarking Multimodal LLMs on Code Generation for Complex Interactive Webpages
von: Wu, Fan, et al.
Veröffentlicht: (2026)

Evaluating Large Language Models for Functional and Maintainable Code in Industrial Settings: A Case Study at ASML
von: Mundhra, Yash, et al.
Veröffentlicht: (2025)