Kilkustrzałowy dylemat: Nadmierne podpowiadanie dużych modeli językowych
Opublikowano w: 2025 III Międzynarodowa Konferencja Fundacji i Wielkich Modeli Językowych (FLLM)
Yongjian Tang; Doruk Tuncel; Christian Koerner; Thomas Runkler
Nadmierne podpowiadanie występuje, gdy nadmierne przykłady podpowiedzi obniżają wydajność LLM, kwestionując tradycyjne założenia uczenia się z kilkoma strzałami. Aby zbadać ten dylemat, struktura podpowiedzi oceniała losowe próbkowanie, osadzanie semantyczne i wybór wektorów TF-IDF w modelach takich jak GPT-4o, DeepSeek-v3 i LLAMA-3.1. Wyniki pokazują, że zbyt wiele przykładów specyficznych dla domeny paradoksalnie szkodzi dokładności. Testowane na zbiorach danych wymagań oprogramowania, stopniowo zwiększając się przykłady warstwowe i wybrane przez TF-IDF, ujawniły optymalne rozmiary podpowiedzi. Takie podejście pozwala uniknąć nadmiernego podpowiadania, jednocześnie przewyższając najnowocześniejszą klasyfikację wymagań o 1%.
Zobacz na stronie wydawcy
Systemy agentyczne oparte na LLM dla inżynierii oprogramowania: wyzwania i możliwości
Przesłane do: SE2026, Gesellschaft für Informatik, Bonn
Yongjian Tang, Thomas Runkler
Pomimo postępów LLM, złożone zadania inżynierii oprogramowania wymagają współpracy, specjalistycznych podejść. W artykule dokonano systematycznego przeglądu pojawiającego się paradygmatu systemów wieloagentowych opartych na LLM w całym cyklu życia rozwoju oprogramowania, w tym inżynierii wymagań, generowania kodu, testowania i debugowania. Bada wybór modeli, testy porównawcze oceny, ramy agentyczne i protokoły komunikacyjne. Ponadto praca podkreśla kluczowe wyzwania, takie jak orkiestracja, koordynacja człowiek-agent, optymalizacja kosztów i gromadzenie danych, oferując niezbędny wgląd w stan agentycznej inżynierii oprogramowania.
Zobacz na stronie wydawcy
Modernizacja starszych systemów opartych na modelach na dużą skalę
Opublikowano w: ReCODE '26: Materiały z I warsztatów poświęconych tłumaczeniom, transformacji i modernizacji kodu, strony 13-18
Tobias Böhm, Jens Guan Su Tien, Mohini Nonnenmann, Tom Schoonbaert, Bart Carpels, Andreas Biesdorf
Ten raport z doświadczeń przedstawia czterostopniowe podejście oparte na modelu (analiza, wzbogacanie, synteza, przejście), które wstawia model pośredni agnostyczny od technologii między starszymi bazami kodowymi a nowoczesnymi platformami docelowymi. Zastosowany do dużej przemysłowej aplikacji.NET, półautomatycznie migruje interfejsy użytkownika i struktury stron do nowoczesnych stosów internetowych, zachowując zachowanie funkcjonalne. Konsolidując wiedzę architektoniczną w wyraźne modele, poprawia łatwość konserwacji i doświadczenie deweloperów. Pomimo wyzwań związanych z układem wymagających ręcznego wysiłku, podejście to zmniejsza ryzyko, skutecznie skaluje się i oferuje wzory wielokrotnego użytku.
Zobacz na stronie wydawcy
Połączenie składni formalnej i semantyki LLM: wyodrębnianie wykresów wiedzy w celu zrozumienia starszego kodu
Opublikowano w: 2026 IEEE 23 Międzynarodowa Konferencja na temat Software Architecture Companion (ICSA‑C)
Henrik Thillmann; Bernhard Rumpe; Andreas Biesdorf
Ustanowione przedsiębiorstwa często opierają się na starszych systemach, które są trudne do utrzymania ze względu na przestarzałe języki i niejasne identyfikatory. Jednak wymiana tych systemów stwarza ryzyko utraty ich udowodnionej niezawodności. Duże modele językowe mogą pomóc w odzyskiwaniu i modernizacji architektury, ale wymagają precyzyjnego zarządzania kontekstem. Ponieważ kod jest językiem formalnym do analizy, wyszukiwanie może wykorzystać strukturę programu zamiast polegać na nieustrukturyzowanym tekście. Proponujemy metodologię opartą na analizowaniu, aby zbudować wykres wiedzy uwzględniający strukturę dla GraphRAG. Podejście to pokazuje lepszą precyzję wyszukiwania i rozumowanie architektoniczne w przemysłowym studium przypadku.
Zobacz na stronie wydawcy