SpecTra: Enhancing the Code Translation Ability of Language Models by Generating Multi-Modal Specifications

大型语言模型（LLMs）越来越被用于自动化代码翻译的任务，这在实际应用中非常重要。然而，大多数现有的方法仅使用程序的源代码作为LLM的输入，而不考虑可以从程序中提取的不同类型的规范。在本文中，我们提出了SpecTra，这是一种多阶段方法，它使用一种新颖的自洽性过滤器，首先从给定的程序生成高质量的静态规范、测试用例和自然语言描述，然后使用这些规范和源代码来提高LLM生成的翻译质量。我们在三个代码翻译任务上评估了SpecTra——从C到Rust，从C到Go，以及从JavaScript到TypeScript，并表明它可以将这些任务中六个流行的LLM的性能提高高达10个百分点和相对改进26％。我们的研究表明，生成高质量的规范可能是改善LLMs用于代码翻译的性能的一种有前途和高效的方法。我们提供我们的代码和数据供审阅匿名使用。

提高大型语言模型在代码翻译任务上的表现，通过生成高质量的静态规范来改善翻译质量。

通过自洽性筛选生成高质量的静态规范、测试用例和自然语言描述，并将其与源代码一起使用，以提高LLM在代码翻译任务上的表现。

论文提出了SpecTra，一种多阶段方法，可将静态规范、测试用例和自然语言描述与源代码一起使用，以提高LLM在代码翻译任务上的表现。在三个代码翻译任务上进行了评估，结果表明，SpecTra 可以将六种流行的LLM的性能提高多达10个百分点和相对改进26％。作者公开了代码和数据集。

最近的相关研究包括使用不同的神经网络模型进行代码翻译，以及使用不同的技术来提高LLM在代码翻译任务上的性能。相关论文包括《CodeBERT: A Pre-Trained Model for Programming and Natural Language Processing》和《Improving Neural Code Generation with Planning-Based Beam Search》。