研究：LLM编辑他模型生成的代码时过度改动，新框架CROCODIL可减少多余修改
研究团队发现，大语言模型编辑其他模型生成的代码时，会产生更多甚至过度的编辑，并提出后训练框架CROCODIL来减少多余改动，同时保留功能正确性。
AI解读：当开发团队同时使用多个AI编程助手时，代码经常由一个模型生成、另一个模型修改。这项研究发现，LLM编辑“外来代码”时会倾向于做更多、甚至过度的改动。CROCODIL是一种新的训练方法，用“相似度奖励”惩罚大改动、用“执行奖励”确保代码仍能构建和通过测试，两者结合在减少编辑量的同时不损害任务成功率。对开发者来说，这意味着未来使用混合模型工作流时，改动差异可能变得更小、代码审查更高效；不过具体效果还需要看基准测试结果和实际效率数据。
一项发表在arXiv的研究（编号 2609.03894）发现，大语言模型在编辑由其他模型生成的代码时，往往会产生更多甚至过度的编辑改动。研究由此提出名为CROCODIL（Cross-Model Code Editing with LLMs）的后训练框架，通过两项奖励机制减少多余修改，同时保持功能正确性。论文被EMNLP 2026 Findings接收。
研究团队来自德克萨斯大学奥斯汀分校和英伟达，包括Linghan Zhong、Aditya Thimmaiah、Jayanth Srinivasa、Milos Gligoric和Junyi Jessy Li。