线锚定反馈可降低人工智能代码编辑的词元成本并提高正确性

生成的词元是生成式人工智能 (GAI) 代码编辑的成本、延迟和能量的直接驱动因素。我们表明反馈的格式是这三个方面的杠杆。我们比较了相同请求更改的两次交付：整体提示（控制）与 FileMark 的结构化、行锚定导出（处理）。 FileMark 是一个 VSCodium 扩展，用于对任何文件进行内联注释。在配对实验中，行锚定将生成的标记减少了 22% (Claude Opus) 和 58% (Claude Sonnet)，在 100 行或更多行的文件上达到 24%-80%，其中七个模型中有四个在多重测试校正后生成的标记明显减少。当模型有空间时，正确性会上升：五个本地模型中的三个合计+2.0分，+5到+7分。在一项探索性实验中，利用工具（而不是 GAI 模型）应用功能级补丁，结果表明，当编辑应用程序负担减轻时，正确性优势会进一步增加：100 多行文件的本地模型正确性在锚定下大约增加了三倍。线锚定反馈减少了较强模型的支出，并改善了较弱模型的正确结果。