RePaCA：利用推理大语言模型进行静态自动化补丁正确性评估

《Neurocomputing》：RePaCA: Leveraging Reasoning Large Language Models for Static Automated Patch Correctness Assessment

　　

自动化程序修复（Automated Program Repair, APR）旨在无需人工干预自动修正软件缺陷。然而现有工具常生成能通过测试用例但未修复根本缺陷的补丁，即过拟合补丁（overfitting patches）。为解决此问题，自动化补丁正确性评估（Automated Patch Correctness Assessment, APCA）尝试识别APR工具生成的过拟合补丁。该问题可采用静态方法解决，即仅需原始与修复代码片段而无须额外信息。当前静态技术在可靠性、灵活性与透明性上存在不足。为此研究人员提出RePaCA，一种基于推理的静态APCA技术，利用专用于思考任务的大语言模型（Large Language Models, LLMs）。模型输入有缺陷与修复代码片段，被引导生成思维链（Chain of Thought, CoT）以分析代码差异、推理补丁如何解决根本原因，最终给出二分类：正确或过拟合。为增强APCA任务的推理能力，研究人员采用组相对策略优化（Group Relative Policy Optimization, GRPO）算法的强化学习微调LLM。在标准Defects4J衍生的测试集上评估，该方法达到先进性能，准确率83.1%，F1值84.8%。此外模型在不同数据集训练时表现出对领域偏移的鲁棒性，优于领先技术。这种推理能力还提供显式原理以支持补丁评估的检查。结果表明微调推理LLM通过提升准确性与透明性，在推进静态APCA方面具有显著潜力。

论文解读：《Neurocomputing》发表的RePaCA研究

研究背景方面，自动化程序修复（APR）旨在自动识别修复程序缺陷以降低软件开发维护的人工调试成本。现代APR工具多采用深度学习从代码库学习缺陷修复模式，将修复视为有缺陷代码到修复版本的转换任务。工具先定位可疑代码片段，修改后生成补丁，通常用测试用例验证，通过所有测试的候选称为合理补丁（plausible patches）。但通过测试不代表修复了缺陷，因测试用例无法保证程序正确运行，例如工具可能删除导致缺陷的功能使测试通过却影响整体运行，故通过测试且修复缺陷的为正确补丁（correct patches），否则为过拟合补丁（overfitting patches）。识别过拟合补丁是APR关键挑战，自动化补丁正确性评估（APCA）作为APR子领域应运而生，作为补丁生成后的过滤步骤减少需人工检查的无效合理补丁，降低接受仅通过测试未真正修复缺陷补丁的风险。APCA分为动态与静态两类：动态分析依赖补丁执行的运行时信息，复杂耗时；静态仅比较有缺陷代码（buggy code）与修复代码（fixed code），分析特征差异识别过拟合模式，虽简单但因信息有限准确性较低。现有静态APCA技术存在可靠性、灵活性与透明性不足的问题，因此研究提出基于推理大语言模型（LLM）的静态APCA方法，假设LLM深度推理能力可理解复杂过拟合补丁根本原因，通过分析代码差异、边缘情况与补丁适用性提升效果，且生成可读原理支持人工检查。

关键技术方法上，研究人员选用约3B参数的轻量指令微调模型Qwen2.5-Coder-3B作为基座，因其代码预训练语料对语法理解更优且在基线F₁值（38.4%）与AUC（53.6%）表现最佳。采用组相对策略优化（GRPO）算法进行纯强化学习微调，无监督预微调，通过组内平均奖励替代价值模型以稳定训练并生成思维链（CoT）。提示设计采用One-shot示例与结构化输出格式，含