Prompt Engineering Code Generation Reasoning Distillation Error Analysis
摘要

大型语言模型在代码生成中易出错,而推理模式虽能降低错误但消耗资源。本文受人类学习启发,提出一种无需额外训练即可提升性能的方法:首先识别低资源模型通过“思考”避免错误的案例,再由大模型分析这些错误及规避过程,生成摘要解释并提炼为简短的建议性提示词。该方法适用于多种中小规模模型,且部分提示词可迁移至其他模型,旨在以低成本实现类似推理的高精度表现。

AI 推荐理由

论文核心探讨如何利用LLM的推理过程(Thinking Mode)来优化代码生成,直接关联推理机制与能力增强。

研究机构
University of California, Davis IBM
论文信息
作者 Faizan Faisal, Prem Devanbu, Toufique Ahmed
发布日期 2026-08-01
arXiv ID 2608.00437
相关性评分 9/10 (高度相关)