Buchumschlag

Operational Robustness of LLMs on Code Generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Paul, Debalina Ghosh, Zhu, Hong, Bayley, Ian
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Software Engineering Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Investigating The Smells of LLM Generated Code
von: Paul, Debalina Ghosh, et al.
Veröffentlicht: (2025)

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)

CodeTaste: Can LLMs Generate Human-Level Code Refactorings?
von: Thillen, Alex, et al.
Veröffentlicht: (2026)

Protocode: Prototype-Driven Interpretability for Code Generation in LLMs
von: Bodla, Krishna Vamshi, et al.
Veröffentlicht: (2025)

Drawing Pandas: A Benchmark for LLMs in Generating Plotting Code
von: Galimzyanov, Timur, et al.
Veröffentlicht: (2024)

LiCoEval: Evaluating LLMs on License Compliance in Code Generation
von: Xu, Weiwei, et al.
Veröffentlicht: (2024)

On LLMs' Internal Representation of Code Correctness
von: Ribeiro, Francisco, et al.
Veröffentlicht: (2025)

Prism: Dynamic and Flexible Benchmarking of LLMs Code Generation with Monte Carlo Tree Search
von: Majdinasab, Vahid, et al.
Veröffentlicht: (2025)

Evaluating the Use of LLMs for Documentation to Code Traceability
von: Alor, Ebube, et al.
Veröffentlicht: (2025)

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

LLMs in Coding and their Impact on the Commercial Software Engineering Landscape
von: Belozerov, Vladislav, et al.
Veröffentlicht: (2025)

The Struggles of LLMs in Cross-lingual Code Clone Detection
von: Moumoula, Micheline Bénédicte, et al.
Veröffentlicht: (2024)

Automating Code Adaptation for MLOps -- A Benchmarking Study on LLMs
von: Patel, Harsh, et al.
Veröffentlicht: (2024)

How Robustly do LLMs Understand Execution Semantics?
von: Spiess, Claudio, et al.
Veröffentlicht: (2026)

Rethinking Repetition Problems of LLMs in Code Generation
von: Dong, Yihong, et al.
Veröffentlicht: (2025)

An Empirical Evaluation of Locally Deployed LLMs for Bug Detection in Python Code
von: Vulićević, Jelena Ilić
Veröffentlicht: (2026)

SnipGen: A Mining Repository Framework for Evaluating LLMs for Code
von: Rodriguez-Cardenas, Daniel, et al.
Veröffentlicht: (2025)

Free and Customizable Code Documentation with LLMs: A Fine-Tuning Approach
von: Chakrabarty, Sayak, et al.
Veröffentlicht: (2024)

Towards More Trustworthy and Interpretable LLMs for Code through Syntax-Grounded Explanations
von: Palacio, David N., et al.
Veröffentlicht: (2024)

Can Coding Agents Be General Agents?
von: Ivanov, Maksim, et al.
Veröffentlicht: (2026)

Optimizing AI-Assisted Code Generation
von: Torka, Simon, et al.
Veröffentlicht: (2024)

Keeping Code-Aware LLMs Fresh: Full Refresh, In-Context Deltas, and Incremental Fine-Tuning
von: Sharma, Pradeep Kumar, et al.
Veröffentlicht: (2025)

Code Generation by Differential Test Time Scaling
von: He, Yifeng, et al.
Veröffentlicht: (2026)

Clover: Closed-Loop Verifiable Code Generation
von: Sun, Chuyue, et al.
Veröffentlicht: (2023)

Functional Overlap Reranking for Neural Code Generation
von: To, Hung Quoc, et al.
Veröffentlicht: (2023)

A Theoretical Analysis of Test-Driven Code Generation
von: Menet, Nicolas, et al.
Veröffentlicht: (2026)

CodeGeeX: A Pre-Trained Model for Code Generation with Multilingual Benchmarking on HumanEval-X
von: Zheng, Qinkai, et al.
Veröffentlicht: (2023)

Enhancing LLM-Based Test Generation by Eliminating Covered Code
von: Xu, WeiZhe, et al.
Veröffentlicht: (2026)

Exploring Pass-Rate Reward in Reinforcement Learning for Code Generation
von: Li, Xin-Ye, et al.
Veröffentlicht: (2026)

Deep-Bench: Deep Learning Benchmark Dataset for Code Generation
von: Daghighfarsoodeh, Alireza, et al.
Veröffentlicht: (2025)

Supersonic: Learning to Generate Source Code Optimizations in C/C++
von: Chen, Zimin, et al.
Veröffentlicht: (2023)

Co-Located Tests, Better AI Code: How Test Syntax Structure Affects Foundation Model Code Generation
von: Jacopin, Éric
Veröffentlicht: (2026)

MASTEST: A LLM-Based Multi-Agent System For RESTful API Tests
von: Han, Xiaoke, et al.
Veröffentlicht: (2025)

An Initial Exploration of Contrastive Prompt Tuning to Generate Energy-Efficient Code
von: Weidmann, Sophie, et al.
Veröffentlicht: (2026)

VeriScale: Adversarial Test-Suite Scaling for Verifiable Code Generation
von: Bai, Yifan, et al.
Veröffentlicht: (2026)

VeriContest: A Competitive-Programming Benchmark for Verifiable Code Generation
von: Xie, Zichen, et al.
Veröffentlicht: (2026)

Promise and Peril of Collaborative Code Generation Models: Balancing Effectiveness and Memorization
von: Chen, Zhi, et al.
Veröffentlicht: (2024)

Can LLMs Generate Architectural Design Decisions? -An Exploratory Empirical study
von: Dhar, Rudra, et al.
Veröffentlicht: (2024)

What You See Is Not Always What You Get: Evaluating GPT's Comprehension of Source Code
von: Wen, Jiawen, et al.
Veröffentlicht: (2024)