SEGym: Optimizing Large Language Model Assisted Software Engineering Agents with Reinforcement Learning
2Citations signalées, ce qui n’est pas une note de qualité
4Institutions déclarées
2Pays d’affiliation déclarés
Rattachement africain : de, jp. Niveau de preuve : code pays fourni par la source.
Résumé indisponible. Les résultats de l’étude ne doivent pas être déduits de son seul titre.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- SEGym: Optimizing Large Language Model Assisted Software Engineering Agents with Reinforcement Learning
- Date Crossref
- 30/12/2024
- Éditeur
- Springer Nature Switzerland
- Type
- book-chapter
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
LMU Klinikum pays non établi dans la noticeÉtablissement de santé
-
Ludwig-Maximilians-Universität München pays non établi dans la noticeUniversité ou école supérieure
-
Zen-Noh (Japan) pays non établi dans la noticeEntreprise
-
Technische Hochschule Ingolstadt pays non établi dans la noticeUniversité ou école supérieure
-
LMU Munich pays non établi dans la noticeInstitution
-
Zen AI pays non établi dans la noticeInstitution
LMU Klinikum, Ludwig-Maximilians-Universität München et Zen-Noh (Japan), avec 3 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.
Les sujets associés
Software Engineering ResearchTopic ModelingNatural Language Processing Techniques