code_transformed: The Influence of Large Language Models on Code

最新推荐文章于 2025-06-29 10:08:22 发布
最新推荐文章于 2025-06-29 10:08:22 发布
阅读量64 收藏
点赞数 3
CC 4.0 BY-SA版权
分类专栏： LLM Daily LLM for code 文章标签： 语言模型 人工智能 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/148708942

在这里插入图片描述

论文主要内容与创新点总结

一、主要内容
  1. 研究背景与目标
    • 大语言模型（LLMs）如Copilot、Cursor等已广泛应用于编程，但缺乏对其实际影响代码风格的系统性研究。
    • 研究聚焦LLMs对代码命名约定、复杂性、可维护性及相似性的影响，分析GitHub上1.9万+仓库的代码数据（2020-2025年）。
  2. 核心发现
    • 命名模式：LLMs偏好更长、更具描述性的变量名（如snake_case），Python中snake_case变量名占比从2023年Q1的47%升至2025年Q1的51%，且GitHub中该趋势与LLM生成代码风格一致。
    • 代码复杂性与可维护性：LLM生成代码在圈复杂度（cyclomatic complexity）等指标上更简洁，但在命名规范等风格层面与人类代码差异较小；GitHub代码中未观察到显著趋势，表明LLMs与人类开发者在复杂性维度差异不大。
了解本专栏 订阅专栏 解锁全文 超级会员免费看
LangChain实战：使用 RAG 工作流程进行高效信息检索 Efficient Information Retrieval with RAG Workflow
AI天才研究院
10-22 2347
检索增强生成 (RAG) 是一种与预训练的大型语言模型 (LLM) 和您自己的数据配合使用来生成响应的模式。seq2seq它结合了预训练密集检索和序列到序列模型的强大功能。RAG 模型检索文档，将它们传递给 seq2seq 模型，然后边缘化以生成输出。article在我向您介绍 RAG 理论部分的文章的继续部分，我在这里向您介绍 RAG 在代码中的实现。让我们开始使用 Langchain 和 Hugging Face 来实现 RAG！
论文翻译：EMNLP-2023.CCF-B.Kent K. Chang.Speak, Memory: An Archaeology of Books Known to ChatGPT/GPT-4
CSPhD-winston的博客
09-23 205
在这项工作中，我们进行了数据考古学研究，通过使用名称填空成员推断查询来推断ChatGPT和GPT-4所知的书籍。我们发现，OpenAI模型已经记住了大量受版权保护的材料，记忆的程度与这些书籍的段落在网络出现的频率有关。这些模型对未知书籍集的记忆能力，使得文化分析的测量有效性评估变得复杂，因为它们污染了测试数据；我们表明，对于下游任务，模型在记忆书籍上的表现远胜于非记忆书籍。我们认为，这支持了开放模型的理由，即其训练数据是已知的。
LLMs：《Instruction Tuning for Large Language Models: A Survey—大型语言模型的指令调优的综述》翻译与解读
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
08-31 5028
​ Paper：《Instruction Tuning for Large Language Models: A Survey—大型语言模型的指令调优的综述》翻译与解读 目录 《Instruction Tuning for Large Language Models: A Survey—大型语言模型的指令调优的综述》翻译与解读 Abstract摘要 1 Introduction引言 2、Methodology方法 3、Datasets数据集：大多都是英文指令
LLMs之RAG：《Retrieval-Augmented Generation for Large Language Models: A Survey大型语言模型的检索增强生成研究综述》翻译与解读
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
01-08 2479
​ LLMs之RAG：《Retrieval-Augmented Generation for Large Language Models: A Survey大型语言模型的检索增强生成研究综述》翻译与解读 目录 《Retrieval-Augmented Generation for Large Language Models: A Survey大型语言模型的检索增强生成研究综述》翻译与解读 Abstract 1 Introduction引言 2
Build a Large Language Model (From Scratch)GPT-4o翻译和代码每行中文注释Ch3
Czi.的博客
04-30 3906
图 3.2 该图描绘了我们将在本章中编码的不同注意机制，从自注意的简化版本开始，然后添加可训练权重。在下一章中，我们将围绕自注意力机制对 LLM 的其余部分进行编码，以查看它的实际效果并创建一个模型来生成文本。然后，解码器采用最终的隐藏状态开始生成翻译的句子，一次一个单词。为了解决我们无法逐字翻译文本的问题，通常使用具有两个子模块的深度神经网络，即所谓的。在本章中，我们将实现注意力机制的四种不同变体，如图 3.2 所示。图3.2中所示的这些不同的注意力变体是相互依赖的，我们的。
Build a Large Language Model (From Scratch)GPT-4o翻译和代码每行中文注释Ch5
Czi.的博客
07-23 1810
预训练未标记数据本章内容包括In the previous chapters, we implemented the data sampling, attention mechanism and coded the LLM architecture. The core focus of this chapter is to implement a training function and pretrain the LLM, as illustrated in Figure 5.1.在前几章中，我们实现了数
INTRODUCTION TO THE LAW OF VIRTUAL AND AUGMENTED REALITY
weixin_42786150的博客
02-15 5500
PART I INTRODUCTION TO THE LAW OF VIRTUAL AND AUGMENTED REALITY 1. The law of virtual reality and increasingly smart virtual avatars Woodrow Barfield and Alexander Williams 1. INTRODUCTION Advances in virtual and augmented reality technology, a
A Transformer-based Approach for Source code Summarization 翻译
weixin_35977125的博客
12-10 1322
A Transformer-based Approach for Source Code Summarization 全文翻译 本文最佳阅读方式：读完一段中文内容快速阅读对应的英文部分 欢迎关注我的公众号：NLP小讲堂，扫码第一时间获取更多最新的文章。 本文来自ACL 2020 Accepted Paper. https://arxiv.org/abs/2005.00653 https://github.com/wasiahmad/NeuralCodeSum 基于Transformer的源代码摘要生成 摘要
The Building Blocks of Interpretability
qq_20453691的博客
10-04 2422
Interpretability techniques are normally studied in isolation. We explore the powerful interfaces that arise when you combine them — and the rich structure of this combinatorial space. CHOOSE AN INPU...
【In-Depth Analysis of the ARIMA Model】: Mastering Classical Methods for Time Series Forecasting
Time series analysis is a crucial method in statistics used to study the patterns and characteristics of data points over time. The ARIMA model, which stands for Autoregressive Integrated Moving ...
scrapy+django+pyecharts+mysql 实现西安游客行为分析系统大屏_用户画像_空间分析_路线智能推荐
2301_78696436的博客
06-28 283
项目地址。
FPGA在AI推理加速中有哪些优势
最新发布
szxinmai的博客
06-29 218
FPGA在AI推理加速中的优势显著，主要体现在四个方面：能效优化（功耗仅为GPU的1/3~1/2，稀疏计算加速能效比提升3倍）、低延迟（端到端推理<1ms，消除I/O瓶颈）、架构灵活（动态重构支持多模型切换，算子利用率达80%+）以及边缘适配（小型化设计功耗<5W，支持宽温运行）。实测显示，FPGA在Llama2推理和剪枝ResNet等场景中性能超越GPU200%-300%。但FPGA开发门槛高且成本较高（高端芯片达$5000+），更适合高价值定制化场景。
深度学习在智能城市中的创新应用与未来趋势
qq_74383080的博客
06-25 723
在当今数字化时代，智能城市的发展正以前所未有的速度推进，而深度学习技术作为人工智能的核心力量，正在为智能城市的建设带来新的突破和创新。从交通管理到能源优化，从公共安全到环境监测，深度学习的应用正在逐步提升城市的智能化水平和居民的生活质量。本文将探讨深度学习在智能城市中的创新应用，并展望其未来的发展趋势。
快速傅里叶变换(FFT)是什么？
guigenyi的专栏
06-26 1268
快速傅里叶变换（FFT）是高效计算离散傅里叶变换（DFT）的算法，将复杂度从O(N²)降至O(N logN)。通过分治策略和对称性优化，FFT使数字信号频域分析变得实用，广泛应用于信号处理（频谱分析、滤波）、图像处理（压缩、滤波）、音频处理及科学计算等领域。其核心价值在于将原本计算量巨大的DFT转化为高效运算，为现代数字技术（如通信、多媒体）奠定了基础，成为数字信号处理最重要的算法之一。
PyWavelets
shangjg3的博客
06-27 182
PyWavelets（pywt）是Python中用于小波变换的核心库，提供了丰富的信号处理和图像处理功能。
开源版gpt4o 多模态MiniGPT-4 实现原理详解
酌沧
06-28 658
MiniGPT-4是开源的GPT-4的平民版。本文用带你快速掌握多模态大模型MiniGPT-4的模型架构、训练秘诀、实战亮点与改进方向。
牛客 AI 面试 Ultra 版升级：开启招聘新纪元
新一代数智化校园招聘引领者
06-24 588
牛客AI面试Ultra版带来招聘技术革新：支持一题多维追问、全语音交互、唇音同步和定制数字面试官四大功能，显著提升面试效率和候选人体验。企业实测显示招聘时效提升12倍，成本降低55%，同时强化雇主品牌形象。这款产品通过AI技术重塑面试流程，帮助HR实现高效精准的人才选拔，在激烈的人才竞争中赢得先机。
AI日报 - 2025年06月27日
NingboWill的博客
06-27 758
AI人工智能日报新闻和最新AI工具
人脸识别算法赋能园区无人超市安防升级
yangbisheng1121的博客
06-25 669
摘要：人脸识别算法助力园区无人超市实现智能安防升级，通过人脸识别检测、人员入侵算法和疲劳检测算法的协同应用，构建高效精准的安防体系。该系统具备高精度识别（准确率≥98%）、环境适应性强（支持红外补光和动态背景建模）和低成本管理（减少30%人力投入）等优势，实现了从身份核验、行为监控到疲劳预警的全流程覆盖。该方案为无人零售行业提供了可复制的智能化转型实践范式，未来有望在更多场景释放价值。
给下列程序添加英文注释：if (latchedStopRotateController_.isPositionReached(&planner_util_, current_pose_)) { //publish an empty plan because we've reached our goal position std::vector<geometry_msgs::PoseStamped> local_plan; std::vector<geometry_msgs::PoseStamped> transformed_plan; publishGlobalPlan(transformed_plan); publishLocalPlan(local_plan); base_local_planner::LocalPlannerLimits limits = planner_util_.getCurrentLimits(); return latchedStopRotateController_.computeVelocityCommandsStopRotate( cmd_vel, limits.getAccLimits(), dp_->getSimPeriod(), &planner_util_, odom_helper_, current_pose_, boost::bind(&DWAPlanner::checkTrajectory, dp_, _1, _2, _3)); } else { bool isOk = dwaComputeVelocityCommands(current_pose_, cmd_vel); if (isOk) { publishGlobalPlan(transformed_plan); } else { ROS_WARN_NAMED("dwa_local_planner", "DWA planner failed to produce path."); std::vector<geometry_msgs::PoseStamped> empty_plan; publishGlobalPlan(empty_plan); } return isOk; }
06-12
// 判断是否到达目标位置 if (latchedStopRotateController_.isPositionReached(&planner_util_, current_pose_)) { // 发布空路径，因为已经到达目标位置 std::vector<geometry_msgs::PoseStamped> local_plan; std::vector<geometry_msgs::PoseStamped> transformed_plan; publishGlobalPlan(transformed_plan); publishLocalPlan(local_plan); base_local_planner::LocalPlannerLimits limits = planner_util_.getCurrentLimits(); // 计算机器人下一步的速度指令 return latchedStopRotateController_.computeVelocityCommandsStopRotate( cmd_vel, // 输出的速度指令 limits.getAccLimits(), // 加速度限制 dp_->getSimPeriod(), // 模拟时间步长 &planner_util_, // 规划器的实用工具 odom_helper_, // 里程计助手 current_pose_, // 当前机器人位姿 boost::bind(&DWAPlanner::checkTrajectory, dp_, _1, _2, _3) // 检查路径轨迹是否有效的回调函数 ); } else { // 计算机器人下一步的速度指令 bool isOk = dwaComputeVelocityCommands(current_pose_, cmd_vel); if (isOk) { // 发布全局路径 publishGlobalPlan(transformed_plan); } else { // 输出警告信息并发布空路径 ROS_WARN_NAMED("dwa_local_planner", "DWA planner failed to produce path."); std::vector<geometry_msgs::PoseStamped> empty_plan; publishGlobalPlan(empty_plan); } return isOk; }
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值