Evaluating Large Language Models Trained on Code

• 类型：arxiv
• 标识：2107.03374
• 链接：https://arxiv.org/abs/2107.03374
• 主题：engineering
• 主分类：evaluation
• 形态：method
• 被引：11151
• 被引来源：Semantic Scholar
• S2被引：11151
• OpenAlex被引：1460
• 影响力被引：1676
• TLDR：It is found that repeated sampling from the GPT language model is a surprisingly effective strategy for producing working solutions to difficult prompts, and the potential broader impacts of deploying powerful code generation technologies, covering safety, security, and economics are discussed.
• OpenAlex ID：W3177813494
• OpenAlex DOI：10.48550/arxiv.2107.03374
• DOI：10.48550/arxiv.2107.03374
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2107.03374
• OpenAlex更新：2026-08-26
• 待LLM分类：否
• 标题中文：Evaluating Large Language Models Trained on Code
• TLDR中文：发现对 GPT 语言模型进行重复采样，是为困难 prompt 生成可用解的一种出乎意料的有效策略，并讨论了部署强大代码生成技术在安全性、安全保障与经济等方面的潜在更广泛影响。
• 来源文件：
• [OpenAlex discover]
• [OpenAlex backfill]
• [S2 enrich]