deX引入会话式

的长期上下文窗口更智能的反馈机制、更有效的信息合并策略、更复杂的模型结构、鼓励生成多样性和GPT类似的步骤Conversational

APR

论文2ChatGPT自协作代码生成角色扮演消融实验代码生成与自协作框架

摘要自协作框架原理1、DOL任务分配2、共享黑板协作3、Instance实例化

案例说明简单任务基本操作复杂任务游戏开发

论文3ChatGPT漏洞定位补丁生成补丁验证APR方法ChatRepair不同修复场景修复效果韦恩图展示方法概述overview①

建立初始

ChatGPT已流行一段时间各个平台都推出了自己的GPT比如百度上线了【文心一言】CSDN推出了【C知道】在创作的时候也可以使用【AI助手】帮助创作很多人说GPT的广泛使用可能会使人们失业会对一些互联网公司的存活造成挑战那么这个说法是真的吗你们平时都是在什么情况下使用GPT的呢为何使用都使用什么平台的可以一起聊聊这个话题

活动链接https://activity.csdn.net/creatActivity

但与此同时一些行业的大佬们已经将GPT应用到了更高级别的科研任务并将其发表在行业的顶级期刊中。

在网安领域GPT技术也展现出巨大的潜力。

下面我们将一同深入研究GPT在网络安全领域的应用案例探讨其在这一领域的重要性和未来发展趋势。

如果您对GPT技术的广泛应用和在网络安全领域的具体应用感兴趣欢迎阅读下文一同学习并探讨这一激动人心的话题。

APR

的长期上下文窗口更智能的反馈机制、更有效的信息合并策略、更复杂的模型结构、鼓励生成多样性

Conversational

论文https://arxiv.org/abs/2301.13246

代码https://github.com/ASSERT-KTH/RapidCapr

之前对该论文的详情介绍https://blog.csdn.net/wtyuong/article/details/134043342

引入会话式

利用验证反馈将先前生成的补丁与测试集进行验证以改善模型的生成补丁。

这种方法有助于模型理解先前错误补丁的问题并避免重复生成相同的错误补丁。

LLM

的长期上下文窗口以更好地理解被测程序的语义含义而不仅仅是代码片段的信息。

ChatGPT

APR是一种新的APR范式通过交互式的补丁生成和验证过程提高了程序修复的效率和准确性。

修复生成和验证交错进行每个回合提供新的输入包括以前的错误补丁和测试反馈。

通过多轮顺序回合对话链生成候选修复补丁直到找到通过所有测试用例的有效补丁或达到最大迭代次数。

反馈的多样性对话式APR可以应用多种可能的反馈信息例如人类对补丁的评估。

效果改善与之前只使用buggy

code片段作为输入的LLM工具相比对话式APR通过补丁验证形式的验证反馈来帮助模型理解先前生成的补丁为什么是错误的。

通过这种方式LLM可以识别先前的生成内容避免重复生成已经验证过的错误补丁。

性能提升通过使用10个流行的LLM进行评估发现这种方法不仅提高了修复bug的数量而且与基于采样的基线相比可以更快地找到正确的补丁。

LLM

迭代获取新的候选补丁此过程称为轮次。

每个轮次包括三个不同的步骤

3根据测试用例验证样本输出函数来获取验证反馈。

多个按顺序排列执行的轮次称为链。

终止条件是样本输出补丁能够通过所有测试用例即获得合理的补丁或达到最大轮数即链达到最长的长度。

Turn

function创建一个初始提示I这个提示使用自然语言来表明该函数有缺陷e.g.

The

function还能够使用先前生成的样本及其测试用例反馈来生成新的修补函数。

与Turn

这时候选补丁修复了bug并且能够通过所有测试用例即S3是本次的plausible

设计决策

Prompt是在各种downstream任务中利用LLM的有效方法并且不需要任何明确的微调。

在会话式

al.[1]的风格。

本文还遵循先前的指导方针保证prompt是开放式的避免generation被限制。

[1].

较小的最大链长度意味着模型生成的不正确补丁较少对最终的结果的正确性有影响。

较大的最大链长度意味着模型可以看到多个先前失败的补丁但这也可能没有好处因为它可能导致

LLM

这篇论文是chatgpt的黑盒api调用因此没有关于模型的微调等操作更多的是提示工程的框架设计后面同学提到和思维链的工作有相通之处

论文https://arxiv.org/pdf/2304.07590.pdf

之前对这篇论文的详情介绍https://blog.csdn.net/wtyuong/article/details/133905690

1.框架性的idea也是一种方向有时也可以带来显著的结果在AI领域不止有提升算法的思路。

2.实现这种idea也需要严谨完整的推理和验证将high-level的想法落到细节

3.作者的结论里说明了自协作架构还是要结合人类程序员的指导避免系统脱离需求这说明ChatGPT暂时还不能完全自主地工作

代码生成与自协作框架

代码生成旨在生成符合特定规范、满足人类需求的代码以提高软件开发效率和质量甚至推动生产模式的转变。

创新点

本研究提出了一种自协作框架使大型语言模型LLM例如ChatGPT能够应对复杂的代码生成任务。

该框架首先为三个不同角色的大型语言模型分配任务包括分析员analyst负责需求分析、程序员coder负责编写代码、测试员tester负责检验效果然后通过软件开发方法SDM规定了这些角色之间的交互方式。

通过所提出的自协作框架相较于ChatGPT3.5实验结果显示在四种不同基准测试中Pass1的性能提高了29.9%至47.1%。

自协作框架原理

2分析员生成一个高维的计划着重指导程序员。

程序员根据分析员的计划写代码根据测试员的测试报告修改代码。

测试员从功能性、可读性和可维护性评判程序员的代码

案例说明

满足所有游戏逻辑保障了精确的角色控制设置正确的碰撞检测必要的游戏资产加载和适当的图像缩放。

此外注意到了没有直接规定但是符合常识的游戏逻辑比如炸弹掉落至底部后会被重置位置

论文3ChatGPT漏洞定位补丁生成补丁验证APR方法ChatRepair不同修复场景修复效果韦恩图展示

Chunqiu

论文https://arxiv.org/pdf/2304.00385.pdf

之前对这篇论文的详情介绍https://blog.csdn.net/wtyuong/article/details/133906940

方法概述overview

5、失败的测试1)它的名称2)触发测试失败的相关代码行以及3)产生的错误信息

failing