桥接知识空白：面向编码任务的推理时期非熟悉编程语言获取
计算与语言
2026-02-10 v1 人工智能
机器学习
编程语言
摘要
大型语言模型（LLM）在编码任务中的熟练程度往往反映其广泛的预训练语料库，但在面对之前不熟悉的编程语言时，这种能力常常崩溃。我们 departing from 数据驱动的微调，转而探索推理时期语言获取（Inference-time Language Acquisition, ILA）范式，即通过与有限外部资源的动态交互，使LLM掌握新编程语言。本文提出ILA-agent框架，为LLM配备一套行为原语。通过将关键人类类行为建模为工具集合，ILA-agent使LLM能够通过与官方文档和执行环境的结构化交互，逐步探索、应用并验证语言知识。为在低资源环境下进行严格评估，我们构建了Cangjie-bench，基于新型静态类型语言Cangjie的多任务基准测试。我们为Cangjie实现ILA-agent，并在代码生成、翻译和程序修复任务上进行评估。使用多种LLM的实验结果表明，ILA-agent显著优于检索增强基线。进一步分析agent轨迹刻画了涌现行为模式，同时突出了持续的性能差距。
引用
@article{arxiv.2602.06976,
title = {Bridging the Knowledge Void: Inference-time Acquisition of Unfamiliar Programming Languages for Coding Tasks},
author = {Chen Shen and Wei Cheng and Jingyue Yang and Huan Zhang and Yuhan Wu and Wei Hu},
journal= {arXiv preprint arXiv:2602.06976},
year = {2026}
}