CCrepairBench：面向 C++ 编译修复的高保真基准与强化学习框架
人工智能
2025-09-22 v1
摘要
C++ 编译错误的自动修复是一项重大挑战，其解决对于开发者生产力至关重要。该领域的进展受到两个主要因素的制约：大规模、高保真数据集的稀缺，以及传统监督方法的局限性，这些方法通常无法生成语义正确的补丁。本文通过引入一个包含三项核心贡献的综合框架来解决这些差距。首先，我们提出了 CCrepair，这是一个通过复杂的生成与验证流程构建的大规模 C++ 编译错误新数据集。其次，我们提出了一种由混合奖励信号引导的强化学习（RL）范式，将重点从单纯的编译性转向修复的语义质量。最后，我们建立了一个稳健的两阶段评估系统来提供该信号，以 LLM-as-a-Judge 为核心，其可靠性已通过人类专家小组的集体判断进行了严格验证。这种综合方法将训练目标与生成既语法正确又语义正确的高质量、非平凡补丁相一致。实验证明了我们方法的有效性。我们经过 RL 训练的 Qwen2.5-1.5B-Instruct 模型取得了与 Qwen2.5-14B-Instruct 模型相当的性能，验证了我们训练范式的效率。我们的工作为研究社区提供了有价值的新数据集和更有效的训练与评估稳健编译修复模型的范式，为更实用、更可靠的自动编程助手铺平了道路。
引用
@article{arxiv.2509.15690,
title = {CCrepairBench: A High-Fidelity Benchmark and Reinforcement Learning Framework for C++ Compilation Repair},
author = {Weixuan Sun and Jucai Zhai and Dengfeng Liu and Xin Zhang and Xiaojun Wu and Qiaobo Hao and AIMgroup and Yang Fang and Jiuyang Tang},
journal= {arXiv preprint arXiv:2509.15690},
year = {2025}
}