Merge-Bench：使用大语言模型解决合并冲突
机器学习
2026-05-26 v1
摘要
本文将机器学习应用于版本控制合并中的一个困难且重要任务。（1）我们构建了一个包含 7938 个来自 1439 个 GitHub 仓库的真实世界合并冲突 hunk 数据集。ground truth 为开发人员提交到仓库中的合并解决方案。我们的数据集构建方法具有可扩展性，无需人工标注即可处理任意数量的数据。（2）我们训练了一个名为 LLMergeJ 的模型，用于解决 Java 程序的合并冲突。我们的做法采用组相对策略优化（GRPO）——一种在线强化学习方法——训练大语言模型（LLM）。（3）我们对 LLMs 在解决合并冲突方面的性能进行了两项评估。在 Java 程序上，参数量为 14B 的 LLMergeJ 在 3 家商业 LLM 中表现优异，仅次于 Gemini 2.5 Pro。在 11 种编程语言中，商业 LLM 的性能基本保持稳定。最佳模型正确解决合并冲突的比例不足 60%。
引用
@article{arxiv.2605.25890,
title = {Merge-Bench: Resolve Merge Conflicts with Large Language Models},
author = {Benedikt Schesch and Michael D. Ernst},
journal= {arXiv preprint arXiv:2605.25890},
year = {2026}
}
备注
14 pages, 7 figures