从53.6K真实世界开发者对AI生成代码的编辑中学习

论文发布DECODE数据集，包含53.6K个来自1000+开发者的IDE内代码编辑记录，覆盖Python、TypeScript和JavaScript。分析发现，AI生成代码的编辑大多发生在接受补全后15分钟内，31%的编辑轨迹中AI补全被移除。使用DECODE微调的开源3B模型在代码编辑预测任务上表现优于前沿LLM。

此前训练LLM主要依赖Git提交数据，仅包含最终成功代码，缺乏中间编辑细节。DECODE提供了真实、细粒度的编辑行为数据，能更准确地训练AI编程助手理解开发者实际修改模式，从而提升生成代码的质量和适配性。

Git提交只记录最终代码，丢失了迭代和纠错过程；而IDE内编辑直接捕获开发者对AI补全的即时反应，包括删除、修改等动作。微调后的3B模型利用这些细粒度编辑信号，更准确地预测后续编辑操作，说明高质量编辑数据对模型性能的关键作用。

影响AI编程助手的产品设计：可通过编辑数据优化代码生成策略，减少开发者手动修改频率；可开发实时编辑预测功能，主动调整补全结果；也能用于生成更符合开发者习惯的代码模板。

• 基于DECODE数据微调开源代码补全模型，使其生成代码更贴近开发者实际编辑偏好
• 开发IDE插件，在AI补全后实时预测用户可能删除或修改的部分，并主动优化输出
• 利用编辑时间分布（15分钟内）设计延迟确认或自适应快速重试机制

• DECODE数据集是否覆盖更多编程语言（如Java、Go）以及不同经验水平的开发者？
• 编辑预测能力提升是否能在真实编程助手产品中带来可量化的效率提升？
• 31%的AI补全被移除的具体原因是什么（如错误、风格不符、需求变更）？
• 该数据集是否包含代码上下文或注释信息，以便更深入分析编辑意图？