Modelli di linguaggio di codice ottimizzati per rilevare bug di programmazione cross-linguaggio

Un nuovo articolo di ricerca esplora l'utilizzo di modelli di linguaggio di codice pre-addestrati per identificare bug cross-linguaggio, che si verificano quando più linguaggi di programmazione interagiscono all'interno di un singolo progetto. Lo studio ha ottimizzato 13 diversi CodeLM su un dataset appositamente costruito che coinvolge tre combinazioni di linguaggi di programmazione: Python-C/C++, Java-C/C++ e Python-Java. I ricercatori hanno sviluppato CLCFinder, uno strumento per identificare codice cross-linguaggio, e creato un dataset contenente nove tipi distinti di interazione tra linguaggi. Dopo l'ottimizzazione, tutti i modelli hanno mostrato miglioramenti delle prestazioni, con UniXcoder-base che ha raggiunto il punteggio F1 più alto di 0,7407. L'indagine ha analizzato come fattori come la dimensione del dataset, la lunghezza della sequenza di token e i commenti nel codice influenzino le capacità di rilevamento. La programmazione multilingue è diventata sempre più comune grazie ai suoi vantaggi, ma introduce bug che gli strumenti tradizionali single-linguaggio faticano a rilevare. L'articolo è stato annunciato come arXiv:2507.21954v2 con un tipo di annuncio replace-cross.