CuraLoc kod hata yerleştirme yöntemiyle LocAgent geride bırakıldı

Yapay zeka destekli kod hata yerleştirme alanında CuraLoc adlı yeni bir yöntem, planlı kod inceleme ile mevcut yaklaşımları geride bırakıyor. Araştırma, hata raporlarının kodda nerede değişiklik gerektirdiğini belirten repository-level fault localization konusuna odaklanıyor.

CuraLoc'un çalışma prensibi

CuraLoc, dil modelinin kaynak kodu almaya başlamadan önce inceleme kararlarını planlamasını sağlıyor. Yöntem, aday dosyaları seçer ve sembolleri kompakt davranışsal ve yapısal açıklamalarla temsil eder. Tek bir planlama kararıyla başlangıç sembolleri, incelenecek kod ilişkileri ve olası düzenlemeler hakkında hipotezler oluşturulur. Deterministik retrieval, istenen kaynağı toplayıp hipotezlere dayalı nihai sıralamayı sağlıyor.

SWE-Bench sonuçları ve token tüketimi

SWE-Bench Verified veri setinde GPT-5.2 ile CuraLoc'un Func@1 değeri LocAgent'in 53,8%'inden 59,3%'e yükseldi. RepoSearcher'in 56,2'si ve Agentless'ın 39,6'sı bu değerin gerisinde kaldı. CuraLoc, LocAgent'e göre 90,3% daha az kayıtlı token kullandı. SWE-bench Lite veri setinde CuraLoc, %83,8 Func@5 doğruluğu elde etti ve Agentless'a göre göreli doğrulukta %15'den fazla iyileşme sağladı.

Farklı model altyapılarıyla destek

CuraLoc farklı model altyapılarını destekliyor. GPT-5.2 ile güçlü sonuç gösteren yöntem, GPT-6 Astra ile de başarılı sonuçlar elde etti. Araştırma, repository-level kod incelemesinin yinelenen model-kontrollü navigasyon olmadan planlanabileceğine dair kanıt sunuyor.

Neden önemli?

Hata raporları genellikle kodda nerede değişiklik yapılacağını belirtmez. Mevcut repository-level localization yöntemleri tekrarlanan model çağrıları ve yüksek token kullanımı gerektiriyor. CuraLoc, inceleme kararlarının kaynak kod alımından önce planlanabilir olduğunu göstererek bu süreci daha verimli hale getirmeyi hedefliyor.

Kaynak: arXiv — Machine Learning

Temsili görsel: Pixabay / Pexels