هل يمكن لنماذج اللغات الضخمة استعادة فرص التحسين الدلالي التي تغفلها المترجمات؟

في عالم البرمجيات، تعد المترجمات (compilers) أدوات حيوية، لكنها أحيانًا تفوت فرصًا قيمة لتحسين الأداء عندما تصبح الدلالات غائبة عن تمثيل البرنامج المدروس. وفي مسعى لمعالجة هذه الفجوة، تساءلت دراسة جديدة: هل يمكن لنماذج اللغات الضخمة (Large Language Models) استعادة هذه الدلالات المفقودة؟

جاءت الدراسة مع تقديم أداة جديدة تُدعى SeGaBench، وهي معيار قابل للتنفيذ يتضمن 100 حالة صناعية و20 حالة مستندة إلى المصدر، تغطي افتراضات على مستوى منخفض وثوابت هيكلية للبيانات، بالإضافة إلى رفع دلالي على مستوى عالٍ. يتضمن كل حالة دلالات مخفية، وقطع أثرية تتعلق بالمعايير، وعوامل تصحيحية ودلالية، وبروتوكولات أداء قابلة للتكرار.

تم تقييم خمسة نماذج للغات الضخمة باستخدام خمسة ردود مستقلة لكل حالة. وقد أظهر النموذج الأقوى نتائج ممتازة، بحيث أنتج قطع آثارية صحيحة في 94.8% من الردود، وحصلت تحسينات في الأداء بنسبة 1.05x في 83.3% من الحالات، بينما حققت نجاحًا في الأداء في 93.3% من الحالات. ومع ذلك، فإن القطع الآثارية الصحيحة أغلقت فقط جزءًا من الفجوة المتعلقة بالمعايير.

تؤكد هذه النتائج على إمكانية نماذج اللغات الضخمة في تعزيز تحليل المترجمات، كمقترحات دلالية استنتاجية، شريطة أن يتم تقييم قطعها الآثارية والتحقق من صحتها.