L'Indice di Decadimento del Debugging: Ripensare le Strategie di Debug per i Code LLM

The Debugging Decay Index: Rethinking Debugging Strategies for Code LLMs

June 23, 2025

Autori: Muntasir Adnan, Carlos C. N. Kuhn

cs.AI

Abstract

L'efficacia del debug nell'IA segue un modello prevedibile di decadimento esponenziale; la maggior parte dei modelli perde il 60-80% della propria capacità di debug entro soli 2-3 tentativi, nonostante il debug iterativo sia una capacità critica per i sistemi pratici di generazione di codice. Introduciamo l'Indice di Decadimento del Debug (Debugging Decay Index, DDI), un framework matematico che quantifica quando il debug diventa inefficace e predice i punti di intervento. Il nostro approccio strategico di "ripartenza" passa dallo sfruttamento all'esplorazione in punti strategici del processo di debug, dimostrando che interventi tempestivi possono ripristinare l'efficacia del debug. Il DDI rivela una limitazione fondamentale nel debug attuale dell'IA e fornisce il primo framework quantitativo per ottimizzare le strategie iterative di generazione del codice.

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.