PAFT：用于最小编辑程序修复的保留感知 微调

大语言模型 (LLM) 对于自动化程序修复非常有效，但通过完整测试套件的合理补丁通常会重写比必要的更多的代码，从而增加审查和维护成本。这种过度编辑很常见，因为大多数错误都是本地化的，而标准监督 微调 没有提供关于应保留哪些词元和应更改哪些词元的明确信号。我们提出 PAFT，一种用于最小编辑程序修复的保存感知 微调 方法。 PAFT 通过对齐有缺陷的代码和固定代码来导出 词元级 保留信号，将它们与全序列掩码相结合，并应用编辑难度课程。在 Defects4J 和 HumanEval-Java 中，PAFT 比标准监督 微调 (StdFT) 将 pass@1 提高了高达 65.6%，同时将平均编辑距离 (AED) 降低了高达 32.6%。在使用 DeepSeek-Coder-6.7B 的 Defects4J 上，PAFT 的性能也优于基于偏好的强大修复基线 AdaPatcher，将 pass@1 从 5.9% 提高到 10.1%，同时将中值 AED 从 61.0 降低到 42.0。总体而言，PAFT 保留了稳定的上下文，并将编辑集中在错误区域，从而产生更小、更局部化、更合理的补丁，而无需推理时搜索、重新排名或后处理。