Le dilemme des quelques coups : Surinciter les grands modèles linguistiques
Publié dans : 2025 3e Conférence internationale sur les fondations et les grands modèles linguistiques (FLLM)
Yongjian Tang ; Tuncel Doruk ; Christian Koerner ; Thomas Runkler
L'incitation excessive se produit lorsque des exemples excessifs dans les invites dégradent les performances en LLM, remettant en question les hypothèses traditionnelles d'apprentissage en quelques coups. Pour étudier ce dilemme, un cadre incitatif a évalué l'échantillonnage aléatoire, l'incorporation sémantique et la sélection de vecteurs TF-IDF dans des modèles tels que GPT-4o, DeepSeek-v3 et Llama-3.1. Les résultats montrent que trop d'exemples spécifiques à un domaine nuisent paradoxalement à la précision. Testé sur des ensembles de données sur les exigences logicielles, l'augmentation progressive des exemples stratifiés et sélectionnés par TF-IDF a révélé des tailles d'invite optimales. Cette approche évite les incitations excessives tout en surpassant de 1 % la classification des exigences de pointe.
Voir sur la page de l'éditeur
Systèmes agentiques basés sur LLM pour le génie logiciel : Défis et opportunités
Soumis à : SE2026, Gesellschaft für Informatik, Bonn
Yongjian Tang, Thomas Runkler
Malgré les progrès du LLM, les tâches complexes d'ingénierie logicielle exigent des approches collaboratives et spécialisées. Cet article passe systématiquement en revue le paradigme émergent des systèmes multi-agents basés sur LLM tout au long du cycle de vie du développement logiciel, y compris l'ingénierie des exigences, la génération de code, les tests et le débogage. Il examine la sélection de modèles, les repères d'évaluation, les cadres agentiques et les protocoles de communication. De plus, le travail met en évidence des défis clés tels que l'orchestration, la coordination homme-agent, l'optimisation des coûts et la collecte de données, offrant des informations essentielles sur l'état du génie logiciel agentique.
Voir sur la page de l'éditeur
Modernisation des systèmes hérités basée sur des modèles à grande échelle
Publié dans : ReCode '26 : Compte rendu du 1er atelier sur la traduction, la transformation et la modernisation du code, pages 13 ‑ 18
Tobias Böhm, Jens Guan Su Tien, Mohini Nonnenmann, Tom Schoonbaert, Bart Carpels, Andreas Biesdorf
Ce rapport d'expérience présente une approche basée sur un modèle en quatre étapes (analyse, enrichissement, synthèse, transition) qui insère un modèle intermédiaire agnostique sur la technologie entre les bases de code héritées et les plates-formes cibles modernes. Appliqué à une grande application .NET industrielle, il migre semi-automatiquement les interfaces utilisateur et les structures de pages vers des piles Web modernes tout en préservant le comportement fonctionnel. En consolidant les connaissances architecturales dans des modèles explicites, cela améliore la maintenabilité et l'expérience des développeurs. Malgré les défis de mise en page nécessitant un effort manuel, l'approche réduit les risques, évolue efficacement et offre des modèles réutilisables.
Voir sur la page de l'éditeur
Faire le pont entre la syntaxe formelle et la sémantique LLM : Extraction de graphiques de connaissances pour la compréhension du code hérité
Publié dans : 2026 23e Conférence internationale de l'IEEE sur le compagnon de l'architecture Software (ICSA‑C)
Henrik Thillmann ; Bernhard Rumpe ; Andreas Biesdorf
Les entreprises établies s'appuient souvent sur des systèmes hérités qui sont difficiles à entretenir en raison de langues obsolètes et d'identifiants peu clairs. Cependant, le remplacement de ces systèmes présente le risque de perdre leur fiabilité avérée. Les grands modèles linguistiques peuvent aider à la récupération et à la modernisation de l'architecture, mais ils nécessitent une gestion précise du contexte. Puisque le code est un langage formel analysable, la récupération peut exploiter la structure du programme au lieu de s'appuyer sur du texte non structuré. Nous proposons une méthodologie basée sur l'analyse pour construire un graphe de connaissances prenant en compte la structure pour GraphRag. Cette approche démontre une précision de récupération améliorée et un raisonnement architectural multi-sauts dans une étude de cas industrielle.
Voir sur la page de l'éditeur