CodexGraph通过代码图数据库连接大型语言模型和代码库-CSDN blink-领先的开发者技术社区

最新

红包

立Flag

投票

同城

发布

_akhaliq

1 年前

truetechsavvyak

CodexGraph

通过代码图数据库连接大型语言模型和代码库

讨论: https://huggingface.co/papers/2408.03910

大型语言模型（LLMs）在单独的代码任务如HumanEval和MBPP中表现优异，但在处理整个代码库时却表现不佳。这一挑战促使了在代码库规模上增强LLM与代码库交互的研究。目前的解决方案依赖于基于相似度的检索或手动工具和API，每种方法都有明显的缺点。基于相似度的检索在复杂任务中常常召回率低，而手动工具和API通常是任务特定的，需要专业知识，从而降低了它们在各种代码任务和现实应用中的通用性。为了缓解这些限制，我们引入了\framework，一个将LLM代理与从代码库中提取的图数据库接口集成的系统。通过利用图数据库的结构特性和图查询语言的灵活性，\framework使LLM代理能够构建和执行查询，从而实现精确的、代码结构感知的上下文检索和代码导航。我们使用三个基准来评估\framework: CrossCodeEval、SWE-bench和EvoCodeBench。此外，我们开发了五个实际的编码应用程序。在统一的图数据库模式下，\framework在学术和现实环境中展示了竞争力和潜力，展现了其在软件工程中的多功能性和有效性。

下一条：

紧凑型3D高斯点法用于静态和动态辐射场讨论：https://huggingface.co/papers/2408.038223D高斯点法（3DGS）最近作为一种替代表示方式出现，它利用基于3D高斯的表示并引入了近似的体积渲染，达到了非常快的渲染速度和理想的图像质量。此外，后续研究成功地将3DGS扩展到动态3D场景，展示了其广泛的应用范围。然而，一个显著的缺点是，为了保持渲染图像的高保真度，3DGS及其后续方法需要大量的高斯点，这需要大量的内存和存储空间。为了解决这个关键问题，我们特别强调两个主要目标：在不牺牲性能的前提下减少高斯点的数量，并压缩高斯属性，如视角依赖的颜色和协方差。为此，我们提出了一种可学习的掩码策略，可以在保持高性能的情况下显著减少高斯点的数量。此外，我们通过采用基于网格的神经场来代替球谐函数，提出了一种紧凑但有效的视角依赖颜色表示。最后，我们通过残差矢量量化学习代码簿，以紧凑地表示几何和时间属性。通过量化和熵编码等模型压缩技术，我们在保持场景表示质量的同时，展示了静态场景比3DGS减少超过25倍的存储空间和增强的渲染速度。对于动态场景，我们的方法实现了超过12倍的存储效率，并保持了高质量的重建，与现有的最先进方法相比。我们的工作提供了一个全面的3D场景表示框架，实现了高性能、快速训练、紧凑性和实时渲染。