PEACE：基于混合代码编辑的项目级效率优化框架
软件工程
2025-10-22 v2
摘要
大型语言模型（LLM）在代码生成方面展现出显著能力，但其在代码效率优化方面的潜力尚未充分探索。以前的基于LLM的代码效率优化方法仅关注函数级优化，忽略了函数之间的相互作用，难以适用于真实世界的开发场景。代码编辑技术在进行项目级优化方面显示出巨大的潜力，但面临着无效编辑和次优内部函数等挑战。为解决这些问题，我们提出了一种名为PEACE的新型混合框架，用于通过自动代码编辑实现项目级代码效率优化，同时确保项目的整体正确性和完整性。PEACE集成了三个关键阶段：依赖感知的优化函数序列构建、有效关联编辑识别以及效率优化编辑迭代。为严格评估PEACE的有效性，我们构建了PeacExec基准，首个包含来自47个高影响力GitHub Python项目的146个真实世界优化任务，伴随高质量测试用例和可执行环境。广泛实验表明，PEACE优于最新的基线方法，正确性通过率达69.2%（pass@1），优化率提升46.9%，执行效率提升0.840倍。尤其在具有多个函数的复杂优化任务中，PEACE均显著优于所有基线方法。此外，还对PEACE各组件的贡献及其混合框架设计的合理性和有效性进行了广泛实验验证。
引用
@article{arxiv.2510.17142,
title = {PEACE: Towards Efficient Project-Level Efficiency Optimization via Hybrid Code Editing},
author = {Xiaoxue Ren and Jun Wan and Yun Peng and Zhongxin Liu and Ming Liang and Dajun Chen and Wei Jiang and Yong Li},
journal= {arXiv preprint arXiv:2510.17142},
year = {2025}
}