Buchumschlag

Investigating The Smells of LLM Generated Code

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Paul, Debalina Ghosh, Zhu, Hong, Bayley, Ian
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

Benchmarks and Metrics for Evaluations of Code Generation: A Critical Review
von: Paul, Debalina Ghosh, et al.
Veröffentlicht: (2024)

ScenEval: A Benchmark for Scenario-Based Evaluation of Code Generation
von: Paul, Debalina Ghosh, et al.
Veröffentlicht: (2024)

Operational Robustness of LLMs on Code Generation
von: Paul, Debalina Ghosh, et al.
Veröffentlicht: (2026)

AI-Generated Smells: An Analysis of Code and Architecture in LLM and Agent-Driven Development
von: Zhu, Yuecai, et al.
Veröffentlicht: (2026)

Specification and Detection of LLM Code Smells
von: Mahmoudi, Brahim, et al.
Veröffentlicht: (2025)

The Code Whisperer: LLM and Graph-Based AI for Smell and Vulnerability Resolution
von: Baqar, Mohammad, et al.
Veröffentlicht: (2026)

Copilot-in-the-Loop: Fixing Code Smells in Copilot-Generated Python Code using Copilot
von: Zhang, Beiqi, et al.
Veröffentlicht: (2024)

ML Code Smells: From Specification to Detection
von: Mahmoudi, Brahim, et al.
Veröffentlicht: (2025)

Automatic Identification of Machine Learning-Specific Code Smells
von: Hamfelt, Peter, et al.
Veröffentlicht: (2025)

DynamicsLLM: a Dynamic Analysis-based Tool for Generating Intelligent Execution Traces Using LLMs to Detect Android Behavioural Code Smells
von: Cherief, Houcine Abdelkader, et al.
Veröffentlicht: (2026)

How Propense Are Large Language Models at Producing Code Smells? A Benchmarking Study
von: Velasco, Alejandro, et al.
Veröffentlicht: (2024)

User Centric Evaluation of Code Generation Tools
von: Miah, Tanha, et al.
Veröffentlicht: (2024)

A Qualitative Investigation into LLM-Generated Multilingual Code Comments and Automatic Evaluation Metrics
von: Katzy, Jonathan, et al.
Veröffentlicht: (2025)

CRScore: Grounding Automated Evaluation of Code Review Comments in Code Claims and Smells
von: Naik, Atharva, et al.
Veröffentlicht: (2024)

Detecting and Correcting Hallucinations in LLM-Generated Code via Deterministic AST Analysis
von: Khati, Dipin, et al.
Veröffentlicht: (2026)

Code Copycat Conundrum: Demystifying Repetition in LLM-based Code Generation
von: Liu, Mingwei, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for LLM-based Code Generation
von: Xu, Senrong, et al.
Veröffentlicht: (2026)

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

A Performance Study of LLM-Generated Code on Leetcode
von: Coignion, Tristan, et al.
Veröffentlicht: (2024)

Bias Testing and Mitigation in LLM-based Code Generation
von: Huang, Dong, et al.
Veröffentlicht: (2023)

Uncovering LLM-Generated Code: A Zero-Shot Synthetic Code Detector via Code Rewriting
von: Ye, Tong, et al.
Veröffentlicht: (2024)

CodeCircuit: Toward Inferring LLM-Generated Code Correctness via Attribution Graphs
von: He, Yicheng, et al.
Veröffentlicht: (2026)

Hallucination in LLM-Based Code Generation: An Automotive Case Study
von: Pavel, Marc, et al.
Veröffentlicht: (2025)

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

Constraint Decay: The Fragility of LLM Agents in Backend Code Generation
von: Dente, Francesco, et al.
Veröffentlicht: (2026)

ReCode: Improving LLM-based Code Repair with Fine-Grained Retrieval-Augmented Generation
von: Zhao, Yicong, et al.
Veröffentlicht: (2025)

Verifying LLM-Generated Code in the Context of Software Verification with Ada/SPARK
von: Cramer, Marcos, et al.
Veröffentlicht: (2025)

Uncovering Intention through LLM-Driven Code Snippet Description Generation
von: Nugroho, Yusuf Sulistyo, et al.
Veröffentlicht: (2025)

Toward Automated and Trustworthy Scientific Analysis and Visualization with LLM-Generated Code
von: Chakroborti, Apu Kumar, et al.
Veröffentlicht: (2025)

Eliminating Hallucination-Induced Errors in LLM Code Generation with Functional Clustering
von: Ravuri, Chaitanya, et al.
Veröffentlicht: (2025)

Using a Feedback Loop for LLM-based Infrastructure as Code Generation
von: Palavalli, Mayur Amarnath, et al.
Veröffentlicht: (2024)

ProxyWar: Dynamic Assessment of LLM Code Generation in Game Arenas
von: Peng, Wenjun, et al.
Veröffentlicht: (2026)

Correctness isnt Efficiency: Runtime Memory Divergence in LLM-Generated Code
von: Rajput, Prateek, et al.
Veröffentlicht: (2026)

Defective Task Descriptions in LLM-Based Code Generation: Detection and Analysis
von: Akli, Amal, et al.
Veröffentlicht: (2026)

The Readability Spectrum: Patterns, Issues, and Prompt Effects in LLM-Generated Code
von: Ye, Hengzhi, et al.
Veröffentlicht: (2026)

CodeVision: Detecting LLM-Generated Code Using 2D Token Probability Maps and Vision Models
von: Xu, Zhenyu, et al.
Veröffentlicht: (2025)

Bridging LLM-Generated Code and Requirements: Reverse Generation technique and SBC Metric for Developer Insights
von: Ponnusamy, Ahilan Ayyachamy Nadar
Veröffentlicht: (2025)

Semantic Voting: Execution-Grounded Consensus for LLM Code Generation
von: Jiang, Shan, et al.
Veröffentlicht: (2026)

BugSpotter: Automated Generation of Code Debugging Exercises
von: Pădurean, Victor-Alexandru, et al.
Veröffentlicht: (2024)

Tests as Prompt: A Test-Driven-Development Benchmark for LLM Code Generation
von: Cui, Yi
Veröffentlicht: (2025)