Buchumschlag

Beyond Autoregression: An Empirical Study of Diffusion Large Language Models for Code Generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Chengze, Zhang, Yitong, Li, Jia, Cai, Liyi, Li, Ge
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

AI-Driven Self-Evolving Software: A Promising Path Toward Software Automation
von: Cai, Liyi, et al.
Veröffentlicht: (2025)

To See is Not to Master: Teaching LLMs to Use Private Libraries for Code Generation
von: Zhang, Yitong, et al.
Veröffentlicht: (2026)

FeatBench: Towards More Realistic Evaluation of Feature-level Code Generation
von: Chen, Haorui, et al.
Veröffentlicht: (2025)

Bugs in Large Language Models Generated Code: An Empirical Study
von: Tambon, Florian, et al.
Veröffentlicht: (2024)

An Empirical Study of Proactive Coding Assistants in Real-World Software Development
von: Li, Lehui, et al.
Veröffentlicht: (2026)

Empirical Study of Code Large Language Models for Binary Security Patch Detection
von: Li, Qingyuan, et al.
Veröffentlicht: (2025)

StackTrans: From Large Language Model to Large Pushdown Automata Model
von: Zhang, Kechi, et al.
Veröffentlicht: (2025)

An Empirical Study on Self-correcting Large Language Models for Data Science Code Generation
von: Quoc, Thai Tang, et al.
Veröffentlicht: (2024)

An Empirical Study on Capability of Large Language Models in Understanding Code Semantics
von: Nguyen, Thu-Trang, et al.
Veröffentlicht: (2024)

Exploring and Unleashing the Power of Large Language Models in Automated Code Translation
von: Yang, Zhen, et al.
Veröffentlicht: (2024)

Unseen Horizons: Unveiling the Real Capability of LLM Code Generation Beyond the Familiar
von: Zhang, Yuanliang, et al.
Veröffentlicht: (2024)

Task Abstention for Large Language Models in Code Generation
von: Zhou, Yanke, et al.
Veröffentlicht: (2026)

Empirical Studies of Parameter Efficient Methods for Large Language Models of Code and Knowledge Transfer to R
von: Esmaeili, Amirreza, et al.
Veröffentlicht: (2024)

EvoCodeBench: An Evolving Code Generation Benchmark Aligned with Real-World Code Repositories
von: Li, Jia, et al.
Veröffentlicht: (2024)

CrossPL: Evaluating Large Language Models on Cross Programming Language Code Generation
von: Xiong, Zhanhang, et al.
Veröffentlicht: (2025)

Parameter-Efficient Fine-Tuning of Large Language Models for Unit Test Generation: An Empirical Study
von: Storhaug, André, et al.
Veröffentlicht: (2024)

Reducing Events to Augment Log-based Anomaly Detection Models: An Empirical Study
von: Zhang, Lingzhe, 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)

Exploring Data-Efficient Adaptation of Large Language Models for Code Generation
von: Jiang, Xue, et al.
Veröffentlicht: (2024)

GeoCode-GPT: A Large Language Model for Geospatial Code Generation Tasks
von: Hou, Shuyang, et al.
Veröffentlicht: (2024)

Beyond Functional Correctness: Exploring Hallucinations in LLM-Generated Code
von: Liu, Fang, et al.
Veröffentlicht: (2024)

CRPE: Expanding The Reasoning Capability of Large Language Model for Code Generation
von: Gui, Ningxin, et al.
Veröffentlicht: (2025)

Do Code Semantics Help? A Comprehensive Study on Execution Trace-Based Information for Code Large Language Models
von: Wang, Jian, et al.
Veröffentlicht: (2025)

Reverse Engineering User Stories from Code using Large Language Models
von: Ouf, Mohamed, et al.
Veröffentlicht: (2025)

Beyond Accuracy: Characterizing Code Comprehension Capabilities in (Large) Language Models
von: Mächtle, Felix, et al.
Veröffentlicht: (2026)

CodeIF-Bench: Evaluating Instruction-Following Capabilities of Large Language Models in Interactive Code Generation
von: Wang, Peiding, et al.
Veröffentlicht: (2025)

An Empirical Study on Strong-Weak Model Collaboration for Repo-level Code Generation
von: Gandhi, Shubham, et al.
Veröffentlicht: (2025)

Behavioral Augmentation of UML Class Diagrams: An Empirical Study of Large Language Models for Method Generation
von: Rouabhia, Djaber, et al.
Veröffentlicht: (2025)

Understanding Code Agent Behaviour: An Empirical Study of Success and Failure Trajectories
von: Majgaonkar, Oorja, et al.
Veröffentlicht: (2025)

Benchmarking Large Language Models for ABAP Code Generation: An Empirical Study on Iterative Improvement by Compiler Feedback
von: Wallraven, Stephan, et al.
Veröffentlicht: (2026)

Learn to Code Sustainably: An Empirical Study on LLM-based Green Code Generation
von: Vartziotis, Tina, et al.
Veröffentlicht: (2024)

NARRepair: Non-Autoregressive Code Generation Model for Automatic Program Repair
von: Yang, Zhenyu, et al.
Veröffentlicht: (2024)

A Deep Dive Into Large Language Model Code Generation Mistakes: What and Why?
von: Chen, QiHong, et al.
Veröffentlicht: (2024)

Personality-Guided Code Generation Using Large Language Models
von: Guo, Yaoqi, et al.
Veröffentlicht: (2024)

Beyond Functional Correctness: Investigating Coding Style Inconsistencies in Large Language Models
von: Wang, Yanlin, et al.
Veröffentlicht: (2024)

Beyond Summaries: Structure-Aware Labeling of Code Changes with Large Language Models
von: Weiss, Bar, et al.
Veröffentlicht: (2026)

Do Machines and Humans Focus on Similar Code? Exploring Explainability of Large Language Models in Code Summarization
von: Li, Jiliang, et al.
Veröffentlicht: (2024)

CodeMMR: Bridging Natural Language, Code, and Image for Unified Retrieval
von: Geng, Jiahui, et al.
Veröffentlicht: (2026)

Autoregressive, Yet Revisable: In Decoding Revision for Secure Code Generation
von: Yang, Chengran, et al.
Veröffentlicht: (2026)

AutoCoder: Enhancing Code Large Language Model with \textsc{AIEV-Instruct}
von: Lei, Bin, et al.
Veröffentlicht: (2024)