弥合用户意图和 LLM 之间的差距：代码生成的需求对齐方法

代码生成是指根据用户需求自动生成可执行程序。最近，研究人员探索了利用先进的 大语言模型 增强生成代码正确性的方法。虽然实现了改进，但现有方法侧重于设计推理策略或后细化方法以增强代码生成性能。尽管存在差异，所有这些方法都有一个共同的假设：LLM 可以正确理解给定的要求。然而，这个假设并不总是成立。为了填补这一空白，我们提出了 REA-Coder，一种需求对齐方法来增强 LLM 的代码生成性能。 REA-Coder 首先识别与 LLM 不一致的需求内容并调整需求。然后，根据对齐的需求，LLM生成代码，并进一步验证生成的代码是否与需求对齐，迭代这个需求对齐和代码生成的过程，直到生成正确的代码或达到最大迭代次数。实验结果表明，REA-Coder 在五个编程基准测试中的四个 LLM 上优于所有高级基准。具体而言，REA-Coder 在五个基准数据集上实现了 7.93%、30.25%、26.75%、8.59% 和 8.64% 的平均改进，证明了需求对齐对于提高 LLM 代码生成性能的有效性。