摘要

代码辅助是指在软件开发过程中，利用各类工具、技术与模型来协助开发人员提升工作效率。随着编码任务日益复杂，代码辅助在提升开发者生产力、减少错误以及优化编码流程方面发挥着关键作用。其表现形式多样，涵盖代码自动补全、错误检测与修复、代码生成、文档支持以及上下文感知的智能建议等。近年来，语言模型已成为代码辅助系统的核心组成部分，使开发者能够获得智能化的代码建议、自动生成代码片段，并全面提升编程能力。本文提出了一种新型混合模型，用于代码生成，该模型结合了预训练语言模型BERT、RoBERTa、ELECTRA与LUKE，以及Marian因果语言模型（Marian Causal Language Model）。所选模型均基于其在多种自然语言处理任务中表现出的优异性能。我们在两个公开数据集CoNaLa与DJANGO上对所提模型进行了评估，并与现有最先进模型进行对比。研究旨在探索预训练Transformer语言模型在代码生成领域的潜力，以期在复杂编码场景下实现更高的精度与效率。此外，本文还进行了误差分析，并对生成的代码进行了优化与改进。实验结果表明，当上述模型与Marian解码器结合使用时，显著提升了代码生成的准确率与效率。具体而言，在CoNaLa数据集上，RoBERTa-Marian模型取得了最高BLEU得分为35.74，精确匹配准确率为13.8%；而在DJANGO数据集上，LUKE-Marian模型达到了89.34的BLEU得分与78.50%的精确匹配准确率。本研究的实现代码已开源，可通过以下链接获取：https://github.com/AhmedSSoliman/Leveraging-Pretrained-Language-Models-for-Code-Generation。