通过大型语言模型将自然语言意图正式化为程序规范
使用 LLM4nl2post 将非正式自然语言转化为形式化方法的后置条件，并通过验证度量在质量和生成的后置条件的可区分性方面进行比较。结果显示，这些后置条件通常是正确的且能够区分错误的代码，并且通过 LLMs 进行 LLM4nl2post 有潜力在实践中发挥重要作用，在 Defects4J 中成功捕获了 70 个真实世界历史 BUG。
该论文综述了基于Transformer的大型语言模型在AI辅助编程任务中的应用，包括代码生成、补全、翻译、概述、缺陷检测和克隆检测等。文章探讨了NLP技术和软件自然性面临的挑战和机遇，并讨论了将AI辅助编程能力拓展到Xcode移动软件开发环境中的问题和机会。
