CodeChemist：通过测试时扩展实现低资源代码生成的功能知识迁移
软件工程
2025-10-02 v1
摘要
代码大语言模型（CodeLLMs）正在被广泛用于代码生成任务中。然而，其性能在不同编程语言之间往往不一致，低资源编程语言因训练数据有限而受到最严重影响。本文提出CodeChemist，一种 novel 且高效的测试时扩展框架，实现从高资源编程语言向低资源编程语言的功能知识迁移。CodeChemist首先在高资源编程语言中生成并执行代码，以创建包含功能知识的测试用例。随后采用多温度 hedged 抽样方法在低资源编程语言中生成代码片段，并根据测试用例通过率选择最佳方案。我们的实验表明，CodeChemist 在已有测试时扩展方法中取得优异性能，在无需模型重新训练的情况下显著提升了低资源编程语言的代码生成性能。
引用
@article{arxiv.2510.00501,
title = {CodeChemist: Functional Knowledge Transfer for Low-Resource Code Generation via Test-Time Scaling},
author = {Kaixin Wang and Tianlin Li and Xiaoyu Zhang and Aishan Liu and Xianglong Liu and Ziqi Liu and Zhiqiang Zhang and Jun Zhou and and Bin Shi},
journal= {arXiv preprint arXiv:2510.00501},
year = {2025}
}