摘要
大语言模型生成的代码常含错误，现有方法依赖测试失败或自批判等粗粒度反馈进行迭代优化，难以精确定位缺陷。本文提出 FLARE 框架，引入轻量级诊断模型预测行级可疑信号以定位 bug 并指导代码修正。针对预测不确定性，FLARE 在 Top-k 可疑区域搜索并依据执行结果优选候选方案。实验表明，即使不进行搜索，FLARE 也显著优于最强基线；结合搜索策略后性能提升更明显。该诊断模型在故障定位任务中表现最佳，证明了其为代码优化提供可靠细粒度引导的能力。
AI 推荐理由
论文核心在于通过细粒度诊断反馈驱动代码迭代修复，属于典型的自我改进与进化机制。
研究机构
Tongji University, Shanghai, China
Purdue University, West Lafayette, IN, USA
论文信息