Il ricampionamento cieco supera l'autoriparazione nei modelli di codice di piccole dimensioni

Uno studio recente pubblicato su arXiv (2607.26117) mette in discussione l'approccio convenzionale dell'autoriparazione nei modelli di generazione del codice. I ricercatori hanno utilizzato un quadro controllato con placebo su MBPP+ con tre dimensioni di modello (1,5B, 3B, 7B) per valutare quattro scenari di riprova: ricampionamento cieco, un avviso di fallimento senza contenuto, feedback di esecuzione autentico e feedback che includeva autoriflessione verbale. Il metodo di ricampionamento cieco si è rivelato il più efficace per modelli inferiori a 7B ed è stato statisticamente equivalente a 7B, richiedendo da 2,5 a 5,5 volte meno token. Condizionare sui fallimenti precedenti del modello ha comportato una diminuzione di 6,1 punti a 1,5B (p=0,006), mentre il feedback di esecuzione non ha mostrato vantaggi significativi rispetto al placebo. Questi risultati indicano che tentativi aggiuntivi, piuttosto che feedback, migliorano le prestazioni nei modelli più piccoli.