repairllama

Réparation: représentations efficaces et adaptateurs affinés pour la réparation du programme

Si vous utilisez Repairllama dans la recherche académique, veuillez citer "RepairLlama: représentations efficaces et adaptateurs affinés pour la réparation du programme", Rapport technique, ARXIV 2312.15698, 2023.

 @techreport { repairllama2023 ,
  title = { RepairLLaMA: Efficient Representations and Fine-Tuned Adapters for Program Repair } ,
  author = { Silva, Andr{'e} and Fang, Sen and Monperrus, Martin } ,
  url = { http://arxiv.org/abs/2312.15698 } ,
  number = { 2312.15698 } ,
  institution = { arXiv } ,
}

Ce référentiel contient le code, le modèle et les résultats pour reproduire le papier "Réparationllama: représentations efficaces et adaptateurs affinés pour la réparation du programme"

Il est structuré comme suit:

• Repairllama-Lora contient l'adaptation de faible rang réparante de Codellama-7b, appelé "Adaptateur de réparation"
• Les résultats contiennent tous les correctifs générés pour les défauts4j et humaneval-java par tous les modèles (incl. Complexe fine, LORA et représentations de code)
• SRC contient les scripts de formation et d'inférence et les scripts pour générer des ensembles de données pour différentes représentations d'entrée-sortie (IRXOR)
• L'exemple contient un exemple de cahier expliquant comment charger et inviter le modèle de réparation
• Benchmarks contient les ensembles de données pour différentes représentations d'entrée-sortie (IRXOR)

Modèles

Tous les modèles affinés sont disponibles sur HuggingFace, voici des liens spécifiques:

• Ir1xor1: https://huggingface.co/assert-kth/repailama-ir1-or1
• Ir1xor3: https://huggingface.co/assert-kth/repailama-ir1-or3
• Ir1xor3: https://huggingface.co/assert-kth/repailama-ir1-or4
• Ir2xor2: https://huggingface.co/assert-kth/repailama-ir2-or2
• Ir3xor2: https://huggingface.co/assert-kth/repailama-ir3-or2

Ensembles de données

Les ensembles de données de réglage fin traités sont mis à disposition sur HuggingFace à https://huggingface.co/datasets/assert-kth/repailama-datasets. Il contient les ensembles de données utilisés pour la formation des modèles RepairLlama, un sous-ensemble par paire de représentation d'entrée / sortie. Pour obtenir les ensembles de données 30K..50K, nous avons fait un filtrage davantage en fonction de la longueur de jeton des paires d'entrée + de sortie étant inférieures à 1024 jetons.

Si cela vous intéresse, vous pouvez également les trouver sur notre org HuggingFace:

• Megadiff (ensemble de données original, au format HF): https://huggingface.co/datasets/assert-kth/megadiff
• Mégadiff à une seule fonction (difficultés à fonction unique uniquement, avec des fonctions buggy et fixes extraites de celle-ci): https://huggface

Repères

Les références d'évaluation sont des défauts4j V2, Humaneval-Java et Gitbug-Java.

Nous nous concentrons sur les bogues à fonction unique (c'est-à-dire les bogues dont le patch du développeur modifie exclusivement une fonction):

• Defects4j contient 488 bogues à fonction unique: Defects4j_sf.txt
• Humaneval-Java contient 162 bogues à fonction unique: Humanevaljava_sf.txt
• Gitbug-java contient 90 bogues à fonctions unifonctions: gitbugjava_sf.txt

Notez que l'original Humaneval-Java contient un bogue en double.