El Índice de Decaimiento en Depuración: Replanteando las Estrategias de Depuración para los LLMs de Código

The Debugging Decay Index: Rethinking Debugging Strategies for Code LLMs

June 23, 2025

Autores: Muntasir Adnan, Carlos C. N. Kuhn

cs.AI

Resumen

La efectividad de la depuración en IA sigue un patrón predecible de decaimiento exponencial; la mayoría de los modelos pierden entre el 60% y el 80% de su capacidad de depuración en apenas 2 o 3 intentos, a pesar de que la depuración iterativa es una capacidad crítica para los sistemas prácticos de generación de código. Introducimos el Índice de Decaimiento de Depuración (DDI, por sus siglas en inglés), un marco matemático que cuantifica cuándo la depuración se vuelve inefectiva y predice puntos de intervención. Nuestro enfoque estratégico de "nuevo comienzo" cambia de la explotación a la exploración en puntos estratégicos del proceso de depuración, demostrando que intervenciones bien sincronizadas pueden rescatar la efectividad de la depuración. El DDI revela una limitación fundamental en la depuración actual de la IA y proporciona el primer marco cuantitativo para optimizar estrategias iterativas de generación de código.

English

The effectiveness of AI debugging follows a predictable exponential decay pattern; most models lose 60-80% of their debugging capability within just 2-3 attempts, despite iterative debugging being a critical capability for practical code generation systems. We introduce the Debugging Decay Index (DDI), a mathematical framework that quantifies when debugging becomes ineffective and predicts intervention points. Our strategic fresh start approach shifts from exploitation to exploration at strategic points in the debugging process, demonstrating that well-timed interventions can rescue the effectiveness of debugging. DDI reveals a fundamental limitation in current AI debugging and provides the first quantitative framework for optimising iterative code generation strategies.