当不确定性不够时：代码生成中自我修正的实证研究

用于代码生成的大语言模型常产出错误的解，且没有可靠的失败指标。我们研究为自然语言开发的不确定性估计方法能否迁移到代码生成，以及这些信号能否通过选择性自我修正改进代码生成。我们在HumanEval与BigCodeBench上、针对三个小型代码LLM评估五种不确定性方法：平均token熵、言语化置信度、P(True)、熵集成与语义熵探针。我们发现，多样本P(True)与正确性的相关性最强，而其他所有方法（包括语义熵探针）仅呈弱相关。随后我们用这些不确定性信号驱动三种自我修正策略：自适应解码、基于不确定性的再生成与基于验证的再生成。结果揭示了比预期更强的负面发现：基于不确定性的自我修正无法可靠提升Pass@1，在两个基准的6种配置中有5种出现精度下降（-3到-10个百分点），自适应解码在6种配置中有4种降低精度。只有基于验证的自我修正能可靠提升Pass@1：在HumanEval上提升+6至+26个百分点，在BigCodeBench上提升+8至+20个百分点，且增益与基线强度成反比。这些发现跨两个基准一致复现，表明廉价的不确定性估计器本身不足以提升代码正确性，其实用价值在于充当更昂贵的、基于执行的修正回路的门控信号，而非作为验证的独立替代品。