Automated Smart Contract Summarization via LLMs

自动代码摘要生成技术在智能合约的开发和维护中被广泛使用。近年来，随着大型语言模型（LLMs）的出现，Gemini作为第一个支持多模态输入的大型多模态模型（LMMs）受到了广泛关注。然而，LMMs如何从多模态输入中生成合约代码摘要尚不清楚。本文重点评估Gemini在实际智能合约中的表现，将其与MMTrans进行比较，并探索如何结合多模态提示生成合约代码摘要。我们采用几种广泛使用的度量标准（BLEU，METEOR和ROUGE-L）来衡量生成的摘要质量。我们的实验表明，Gemini-Pro-Vision在METEOR和ROUGE-L度量标准下，通过三次提示生成的代码注释得分分别为21.17％和21.05％。以上得分优于单次提示和五次提示生成的得分。

本论文旨在评估Gemini在真实世界的智能合约中生成代码摘要的质量，并探索如何结合多模态提示生成合约代码摘要。

本论文采用大型多模态模型Gemini来支持多模态输入，并比较其与MMTrans的性能。实验结果表明，Gemini在METEOR和ROUGE-L指标下的表现优于MMTrans。

本论文使用了多种评估指标（BLEU，METEOR和ROUGE-L）来衡量生成的代码摘要的质量。实验结果表明，Gemini-Pro-Vision在三次提示下生成的代码注释分数为21.17％和21.05％。值得注意的是，Gemini是第一个支持多模态输入的大型多模态模型。

与本论文相关的研究包括：1.《Large-Scale Multimodal Pre-Training for Retrieval and Generation》；2.《Multi-Modal Transformer for Unaligned Multimodal Language Sequences》；3.《A Survey on Multimodal Machine Learning》等。