从代码基础模型到智能体与应用：代码智能的全面调查与实用指南
计算机视觉与模式识别
2026-02-03 v2
摘要
大型语言模型（LLM）通过直接将自然语言描述翻译为功能性代码，彻底变革了自动化软件开发，推动了 Github Copilot（Microsoft）、Cursor（Anysphere）、Trae（ByteDance）和 Claude Code（Anthropic）等商业工具的采纳。该领域从基于规则的系统演变为 Transformer 架构，实现了从单位数到超过 95% 在诸如 HumanEval 等基准测试上的成功率的性能提升。在本工作中，我们提供了关于代码 LLM 的全面综合与实用指南（一系列分析和探针实验），系统性地审查了代码模型的完整生命周期，从数据聚合到后训练经历高级提示范式、代码预训练、监督微调、强化学习以及自主编码智能体。我们分析了通用 LLM（GPT-4、Claude、LLaMA）和代码专用 LLM（StarCoder、Code LLaMA、DeepSeek-Coder、QwenCoder）的能力，批判性地审查了技术、设计决策和权衡。进一步，我们阐明了学术研究（如基准测试和任务）与实际部署（如软件相关代码任务）之间的研究-实践鸿沟，包括代码正确性、安全性、大型代码库的上下文感知以及与开发工作流程的集成，并将有前景的研究方向映射到实际需求。最后，我们进行一系列实验，提供对代码预训练、监督微调和强化学习的全面分析，涵盖规模定律、框架选择、超参数灵敏度、模型架构和数据集比较。
引用
@article{arxiv.2511.18537,
title = {Zero-Shot Video Deraining with Video Diffusion Models},
author = {Tuomas Varanka and Juan Luis Gonzalez and Hyeongwoo Kim and Pablo Garrido and Xu Yao},
journal= {arXiv preprint arXiv:2511.18537},
year = {2026}
}
备注
WACV 2026