L'indice de décroissance du débogage : Repenser les stratégies de débogage pour les modèles de langage de code

The Debugging Decay Index: Rethinking Debugging Strategies for Code LLMs

June 23, 2025

Auteurs: Muntasir Adnan, Carlos C. N. Kuhn

cs.AI

Résumé

L'efficacité du débogage par IA suit un modèle de décroissance exponentielle prévisible ; la plupart des modèles perdent 60 à 80 % de leur capacité de débogage en seulement 2 à 3 tentatives, bien que le débogage itératif soit une capacité essentielle pour les systèmes pratiques de génération de code. Nous introduisons l'Indice de Décroissance du Débogage (IDD), un cadre mathématique qui quantifie le moment où le débogage devient inefficace et prédit les points d'intervention. Notre approche stratégique de redémarrage passe de l'exploitation à l'exploration à des points stratégiques du processus de débogage, démontrant que des interventions bien synchronisées peuvent restaurer l'efficacité du débogage. L'IDD révèle une limitation fondamentale du débogage par IA actuel et fournit le premier cadre quantitatif pour optimiser les stratégies itératives de génération de code.

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.