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。

本文介绍了多个大型语言模型在编程和自动程序修复中的应用与评估，包括PolyCoder、ChatRepair和GPTutor等。研究表明，开源模型在编程语言上表现良好，PolyCoder在C语言中优于Codex。还探讨了大型模型在教育中的潜力及其反馈的有效性，强调了对初学者的指导需求。此外，提出了CompCodeVet和稳定代码模型，展示了在代码补全和编辑任务中的先进性能。

本文探讨了自然语言模型在自动程序修复中的应用，提出了RAP-Gen框架，通过检索相关修复模式提高修复效率。研究表明，ChatGPT在代码生成和修复方面表现优异，但在视觉图形处理上存在局限。此外，介绍了MutaBot工具用于测试聊天机器人，以及RepairBench排行榜以标准化评估程序修复模型，推动该领域发展。

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。

本文介绍了多种自动程序修复技术，如CURE、ChatRepair、RAP-Gen、RepairLLaMA和RepairAgent。这些方法结合编程语言模型和新型搜索策略，显著提升了程序修复的效率和效果。研究表明，基于大型语言模型的自主代理技术在修复错误方面表现优异，推动了软件工程的发展。

本文探讨了机器学习在软件工程中的应用，特别是自动程序修复技术的进展。介绍了CURE、RING和RepairAgent等新技术，展示了如何通过预训练模型和新策略提高修复效果。研究表明，基于大型语言模型的修复方法在解决编程错误方面表现优异，推动了软件工程的创新。

本文探讨了大型语言模型（LLMs）在软件工程中的应用，特别是在代码合成和修复方面。研究通过轮回正确性评估方法，展示了LLMs在自动程序修复和代码审查中的有效性，并提出了新框架aLLM4TS，以提升时间序列表示学习的性能，强调了目标对齐在利用LLMs预训练能力中的重要性。

本文系统调查了非自回归生成（NAR）模型，比较了不同非自回归翻译（NAT）模型在数据处理和建模方法上的优缺点，并探讨了其在机器翻译以外的应用及未来研究方向。同时，介绍了自动程序修复技术的进展，包括新框架RAP-Gen和CURE技术的优越表现。

本文介绍了多种基于大型语言模型（LLM）的自动程序修复技术，如RepairLLaMA和RepairAgent。这些方法在修复Python和C代码中的语法和语义错误方面表现优异，显著提高了代码修复的准确性和效率。通过优化数据集和训练样本，LLM能够更有效地生成修复补丁，为软件工程领域的未来发展提供了新的方向。