本研究提出了一种利用大型语言模型生成合成数据的方法，以解决自动程序修复中高质量训练数据稀缺的问题。生成了约30,000个错误代码与修复代码的配对示例，显著提高了预测准确率，推动了自动代码维护工具的发展。

本研究探讨了自动程序修复（APR）中修复输出与迭代的平衡，提出了一种新方法，限制每个错误生成最多10个补丁。结果表明，利用不到1%的微调数据集，生成的可行补丁数量提升了78%，强调了迭代策略在复杂基准测试中的优势，推动了APR领域的有效发展。

本研究提出SWE-Synth框架，解决大型语言模型在自动程序修复中缺乏高质量训练数据的问题。通过模拟调试流程合成可验证的错误修复数据，显著提升了模型在修复任务中的表现，推动了自动程序修复和软件工程自动化的发展。

本研究评估了27篇论文，探讨了自动程序修复与大规模语言模型（LLM）在代码生成中的应用，提出通过LLM提升调试的准确性和效率，并分析了功能正确性与安全性面临的挑战。

本研究比较和评估了现有ChatGPT版本在自动程序修复中的有效性，发现最新的O1模型在修复成功率、修复成本和行为模式等方面优于传统的ChatGPT，成功修复了40个漏洞，为ChatGPT在自动程序修复中的应用提供了参考。