ReMCTS 用树搜索加跨分支失败记忆提升代码生成修复效果。
资讯摘要
论文提出 ReMCTS，一种以执行为依据、带记忆增强、由 LLM 引导的 MCTS 式搜索框架，用于开放权重模型生成函数级程序。它将候选程序组织为树状态，保留分支内调试上下文，跨分支检索失败经验，并区分失败检查与不可用证据。在 HumanEval 与 MBPP-Sanitized 上，可见测试版 ReMCTS 在 10 个模型-数据集组合中的 8 个优于直接生成；仅代理搜索较不稳定。30 项 HumanEval-X C++ 试点显示其兼容编译器执行，但作者未做广泛多语言评估。
要点速读
- ReMCTS 将程序候选组织为树状态，保留分支局部调试上下文并跨分支检索失败经验。
- 在 HumanEval 和 MBPP-Sanitized 的留出评估中，可见测试 ReMCTS 在 10 个模型-数据集组合中的 8 个优于直接生成。
- 30 项 HumanEval-X C++ 试点表明其兼容编译器支持执行，但作者称不构成广泛多语言评估。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。