马东锡 NLP 🇸🇪

「 Vibe Coding, LLM Coding 」 Training Language Models to Generate Quality Code with Program Analysis Feedback Vibe coding 的人们岁月静好，因为总有些出色的工作如 ReaL 在负重前行。 ReaL 让 Vibe Coding 不止于功能正确，更实现了代码的安全性与可维护性提升。 作者提出 ReaL (Reinforcement rEwards from Automated program anaLysis)，以解决 vibe coding 中 “写得对” 和 “写得好 ” 两个目标的割裂问题，让模型每写出一段代码，既要通过单元测试，又要通过质量静态分析。 针对于静态分析，目标通过自动检出 18 种 CWE 安全漏洞 + Python 代码可维护性问题： - 安全分析：基于信息流追踪，将用户输入视为 source，敏感调用视为 sink，检测未清洗数据是否可达，识别如 SQL 注入等漏洞。 - 可维护性分析：利用 MyPy 类型检查，发现类型缺失、注解错误等问题。 配合 PPO 优化，设计混合reward： 质量 reward：若 Detector 未发现任何安全 / 可维护性缺陷，则记正奖励，否则零分。 功能 reward： 统计 Unit test 通过率 (tests passed / N)。 Vibe coding 这种凭感觉coding的方式，容易产出能跑但不安全/不可维护 的代码。但 ReaL 的让代码质量成为奖励之一，为 vibe coding 带来可靠的护栏。 岁月静好，vibe coding！

预览