NES：基于学习历史编辑轨迹的无指令、低延迟的下一编辑建议框架
软件工程
2026-04-02 v3 机器学习
摘要
代码编辑是软件开发中频繁且具有认知负担的任务。现有的AI驱动工具通常需要明确的自然语言指令，并且存在高延迟，限制了实际的可用性。我们提出了NES（Next Edit Suggestion），这是一种利用学习的历史编辑轨迹来隐式捕获开发人员目标和编码习惯的无指令、低延迟代码编辑框架。NES具有双模型架构：一个模型预测下一个编辑位置，另一个模型生成精确的代码更改，两者均无需任何用户指令。基于我们开源的SFT和DAPO数据集训练的NES实现了最先进的性能（75.6%位置准确率，27.7%精确匹配率），同时在250ms内提供建议。在蚂蚁集团部署后，NES通过无缝的Tab键交互为超过20,000名开发人员服务，实现了51.55%的位置预测接受率和43.44%的编辑接受率，显示出在实际开发工作流程中的实际影响。
引用
@article{arxiv.2508.02473,
title = {NES: An Instruction-Free, Low-Latency Next Edit Suggestion Framework Powered by Learned Historical Editing Trajectories},
author = {Xinfang Chen and Siyang Xiao and Xianying Zhu and Junhong Xie and Ming Liang and Dajun Chen and Wei Jiang and Yong Li and Peng Di},
journal= {arXiv preprint arXiv:2508.02473},
year = {2026}
}
备注
Accepted by FSE'26 Industry Track