遗留代码的神经代码翻译：APL 到 C#

编程语言之间的自动翻译仍然是一个具有挑战性的问题，特别是当源语言高度简洁和专业时。本文研究了使用 大语言模型 将 APL 翻译为 C#。由于APL的语法稀疏、大规模并行语料库的稀缺以及解释APL程序需要专业知识，因此该任务非常困难。为了应对这些挑战，我们通过比较三种指导策略，即自然语言描述介导、检索增强和迭代细化，与基线直接翻译模型进行比较，引入了一种新颖的 APL 到 C# 翻译框架。我们构建了跨越不同复杂程度的功能等效代码对的多个数据集，并且为了严格评估翻译质量，我们开发了一个自动评估管道，用于验证生成的 C# 代码的语法编译和功能执行。我们的结果表明，神经代码翻译可以成功地弥合各种程序的 APL 和 C# 之间的差距，并且结合额外的上下文和指导可以显着提高模型性能。