تتطلب مهمة توليد الأكواد على مستوى المستودعات (repository-level code generation) تجهيز كود يتماشى مع متطلبات المهمة وفي نفس الوقت يظل متسقاً مع سياق المستودع المستهدف. لكن، مع تجاوز العديد من المستودعات للحدود الطولية المدخلة لنماذج اللغات الضخمة (Large Language Models)، تلجأ الطرق الحالية عادةً إلى استخدام أسلوب **استرجاع مدعم بالتوليد** (retrieval-augmented generation) لتزويد سياق محدد للمستودع.
التوكنات الحرجة: التكتيك الجديد">التوكنات الحرجة: التكتيك الجديد
ورغم أن الأساليب الحالية تحسن من استرجاع السياق المتعلق بالمستودع، إلا أنها توفّر السياق كدعم على مستوى المهمة، دون التعرف بوضوح على التوكنات الحرجة. هذه التوكنات، عند توليدها بشكل غير صحيح، يمكن أن تؤدي إلى تحقيق مسار دلالي خاطئ ينتج عنه فشل وظيفي للبرنامج.
ACToR؟">كيف يعمل ACToR؟
نموذج **ACToR** لا يكشف فقط عن التوكنات الحرجة أثناء عملية التوليد، بل يعمل على تفعيل الاسترجاع المستهدف وفق الحاجة لتوفير سياق المستودع في المواقف الحاسمة. كما يقدم نموذج ACToR طريقة وزنية مدركة للموقع لتعزيز قدرة المسترجعين على إعطاء سياق مفيد أكثر.
تم تقييم ACToR على مجموعتين مؤشرتين تمثيليتين، **RepoExec** و **CoderEval**، وأسفرت النتائج التجريبية عن تحسينات نسبتها 8.4٪ على RepoExec و15.4٪ على CoderEval. بالإضافة إلى تحسين الأداء، تم تسليط الضوء على الدور المركزي للتوكنات الحرجة في فشل التوليد الرئيسي، مما يبرز ضرورة استراتيجيات الاسترجاع المستهدفة.
الأساليب الذكية مثل **ACToR** ليست مجرد تحسينات، بل هي ركيزة أمل لبناء أكواد أفضل وأكثر كفاءة في المستقبل.
هل ترون أن التوكنات الحرجة ستحدث ثورة في جيل الأكواد؟ شاركونا آراءكم في التعليقات!