LLMコード生成における訓練データ最適化に関する実証研究Paper#llm🔬 Research|分析: 2026年1月3日 08:55•公開: 2025年12月31日 02:30•1分で読める•ArXiv分析この論文は、訓練データ最適化技術を体系的に評価することにより、LLMベースのコード生成の改善という重要な問題に取り組んでいます。さまざまな技術とその組み合わせの有効性に関する実証的な証拠を提供し、研究者や実務家にとって実用的なガイダンスを提供するという点で重要です。複数のベンチマークとLLMにわたる大規模な研究は、論文の信頼性と影響力を高めています。重要ポイント•データ合成は、機能的な正確性とコードの臭いを改善するのに最も効果的です。•データ合成とデータリファクタリングの組み合わせが、全体的に最も優れたパフォーマンスを発揮します。•ほとんどの技術の組み合わせは、機能的な正確性をさらに向上させることはありませんが、コードの品質（コードの臭いと保守性）を向上させることができます。引用・出典原文を見る"Data synthesis is the most effective technique for improving functional correctness and reducing code smells."AArXiv2025年12月31日 02:30* 著作権法第32条に基づく適法な引用です。古い記事Show HN: HN Wrapped 2025 - an LLM reviews your year on HN新しい記事Lm.rs: Minimal CPU LLM inference in Rust with no dependency関連分析Paper選択ポリシーを用いた協調型人型ロボット操作2026年1月3日 06:10Paper未ポーズ画像からの即時3Dシーン編集2026年1月3日 06:10Paper将来予測のためのLLMフォアキャスティング2026年1月3日 06:10原文: ArXiv