SCoGen：基于场景图的真实代码问题合成
软件工程
2025-09-19 v1 人工智能
摘要
尽管在代码大型语言模型方面取得了显著进展，这些模型正快速被采纳并应用于广泛领域。然而，这些模型的进一步发展常受到真实代码问题稀缺的制约。为弥合这一差距，我们提出了一个合成模拟真实世界情境代码问题的新框架。该框架系统性地整合了领域知识、领域技能和编程技能，这些元素均从真实的编程相关数据集中提取，包括 Stack Overflow 和 Kaggle。提取的元素作为构建代码问题的基础构件。为将生成问题与实际应用相吻合，还从上述数据集中挖掘应用情境。这些情境随后被用于构建一个以场景为中心的图，将领域知识、领域技能和编程技能相互关联。基于这一结构化表示，设计了一种在图上进行采样的策略，有效控制生成代码问题的复杂度和多样性，反映真实世界的挑战。实验结果表明，所提方法在多样化的真实世界基准测试中， consistently 优于各种尺寸和功能的领先开源大型语言模型，包括编码模型和通用模型。
引用
@article{arxiv.2509.14281,
title = {SCoGen: Scenario-Centric Graph-Based Synthesis of Real-World Code Problems},
author = {Xifeng Yao and Dongyu Lang and Wu Zhang and Xintong Guo and Huarui Xie and Yinhao Ni and Ping Liu and Guang Shen and Yi Bai and Dandan Tu and Changzheng Zhang},
journal= {arXiv preprint arXiv:2509.14281},
year = {2025}
}