论文页面 - 生成式编译：AI生成代码时的即时编译器反馈

来源：https://huggingface.co/papers/2607.13921 发布于 7月15日

·

提交者 https://huggingface.co/nmuendler

Niels (https://huggingface.co/nmuendler)于7月16日

摘要

具有丰富静态语义的语言（如Rust）为AI生成代码提供了更强的保证，但其严格性也使得生成变得更加困难。现成的编译器可以在生成后提供有用的反馈，但无法指导中间生成步骤（例如自回归LLM解码过程中的步骤）。受约束的解码通过在采样过程中拒绝无效token来更早介入，但需要白盒模型访问，并且为语义约束重新实现的成本高昂。我们引入了生成式编译（generative compilation），这是第一种在生成过程中获取部分程序编译器反馈的方法。核心技术手段是sealor：一种轻量级、主要由语法引导的转换，它将部分程序转换为完整程序，标准编译器可以对这些完整程序进行诊断。它的设计使得可完成的部分程序永远不会被拒绝，同时保留足够的代码上下文以尽早捕获真正的死胡同。我们在类似Rust的核心演算上构建了这样的sealor，并证明它满足这些性质，所有证明均在Lean中机械化实现。我们将其扩展到第一个用于真实Rust的部分程序检查器。我们在具有挑战性的仓库级Rust编码任务上评估了我们的方法，涉及前沿黑盒模型和开放权重模型。我们表明，与标准的生成后反馈相比，生成式编译减少了非编译输出并提高了功能正确性。它通过在生产过程中及早检测接近错误源的广泛错误类型来实现这一点，从而减少错误级联并实现有针对性的诊断。更广泛地说，生成式编译是朝着让编译器成为AI辅助编程的一等公民（在生成过程中主动参与，而非作为单独的生成后检查）迈出的一步。

查看 arXiv 页面 (https://arxiv.org/abs/2607.13921)查看 PDF (https://arxiv.org/pdf/2607.13921)GitHub (https://github.com/eth-sri/generative-compilation)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.13921)

引用本文的模型0

没有模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2607.13921，以便从此页面链接。

引用本文的数据集2

eth-sri/CRUST-bench 查看器•更新于 28分钟前 • 117 (https://huggingface.co/datasets/eth-sri/CRUST-bench)

eth-sri/API-Upgrade 查看器•更新于 28分钟前 • 34 (https://huggingface.co/datasets/eth-sri/API-Upgrade)

引用本文的 Spaces0

没有 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2607.13921，以便从此页面链接。

包含本文的收藏集1