有了ChatGPT，還需要人類程序猿編碼嗎？

上個月，一項發(fā)表在IEEE TSE期刊（Transactions on Software Engineering）上的研究評估了ChatGPT所生成的代碼在功能性、復雜性和安全性方面的表現(xiàn)。

結(jié)果顯示，ChatGPT生成可用代碼的能力差異很大。

其成功率從0.66%到89%不等，這主要取決于任務(wù)的難度、編程語言等多種因素。

論文地址：https://ieeexplore.ieee.org/document/10507163

具體來說，研究人員測試了GPT-3.5在5種編程語言（C、C++、Java、JavaScript和Python）中，解決LeetCode測試平臺上的728個編碼問題，以及應對18個CWE（常見缺陷枚舉）場景的能力。

雖然在某些情況下，AI能夠生成比人類更優(yōu)質(zhì)的代碼，但分析也揭示了，一些AI生成代碼的安全性問題。

論文作者、格拉斯哥大學助理教授Yutian Tang指出，「AI代碼生成一定程度上，可以提升開發(fā)效率，自動化軟件工程。然而，我們必須認識這類模型優(yōu)勢和不足，以便合理應用」。

「通過全面的分析，可以發(fā)現(xiàn)ChatGPT生成代碼過程中，出現(xiàn)的潛在問題和局限性，進而改進生成技術(shù)」。

有網(wǎng)友慶幸地發(fā)出疑問，所以我還沒有被解雇？另一人對此表示，至少不是今天。

還有人指出，這項研究是關(guān)于GPT-3.5的評估。要是GPT-4早就在編碼能力上大幅提升，Claude 3.5更是如此。

確實，現(xiàn)在我們有了更好的模型，對于GPT-3.5模型的評估，并沒有太大的意義。

0.66%-89%，驚人反差率

總體而言，ChatGPT在不同編程語言的問題上表現(xiàn)相當不錯——特別是在嘗試解決2021年之前LeetCode上的編碼問題時。

例如，它能夠為簡單、中等和困難的問題生成可運行代碼，成功率分別約為89%、71%和40%。

然而，當涉及到2021年之后的算法問題時，ChatGPT生成正確運行代碼的能力受到影響。即使是簡單級別的問題，它有時也無法理解問題的含義。

比如，ChatGPT在生成「簡單」編碼問題的可運行代碼方面的能力，在2021年后從89%下降到52%。

而它在生成「困難」問題的可運行代碼方面的能力也在此時間后從40%下降到0.66%。

Tang對比表示，「一個合理的假設(shè)是，ChatGPT在2021年之前的算法問題上表現(xiàn)更好的原因是這些問題在訓練數(shù)據(jù)集中經(jīng)常出現(xiàn)」。

接下里，具體看看研究者們對ChatGPT進行了哪些方面的評估。

實驗評估

評估的整體流程如圖2所示。

首先為給定的LeetCode問題或CWE場景構(gòu)造合適的提示并發(fā)送給ChatGPT，讓它根據(jù)提示和上一輪對話的上下文信息給出響應。

之后，研究人員將模型響應中的代碼片段提交給LeetCode平臺，利用其在線判斷功能來檢驗代碼的正確性，CWE漏洞則使用CodeQL進行手動分析。

如果測試結(jié)果通過，則生成結(jié)束，否則就需要利用LeetCode和CodeQL的反饋繼續(xù)建立新的提示、輸入給ChatGPT，再次進行代碼生成。

如果ChatGPT在對話輪數(shù)限制（5輪）之內(nèi)始終沒有生成出通過測試的代碼，則認為生成任務(wù)失敗。

功能性正確代碼生成

ChatGPT生成的代碼在功能上是否正確？

研究動機：

給定提示，ChatGPT生成相應的文本，這種能力可能會提高開發(fā)者的生產(chǎn)力。首先去評估ChatGPT在單輪對話中，自動生成功能正確代碼的能力。

研究方法：

- 讓ChatGPT閱讀問題描述，在單輪對話中生成相應代碼。（最大對話輪數(shù)設(shè)為1）

- 使用LeetCode平臺上的編程問題作為數(shù)據(jù)集，截止研究時，有2500個難度不等的問題。

- 將LeetCode所有問題分為2021年之前（Bef.problems）和2021年之后（Aft.problems）兩類，因為ChatGPT的訓練數(shù)據(jù)截止于2021年。

考慮到2021年之前的問題可能已存在于ChatGPT的訓練集中，這可能使代碼生成任務(wù)退化為簡單的數(shù)據(jù)庫查詢（即代碼復用）。為了進行全面評估，研究中同時考慮了這兩類問題。

具體而言，研究人員重點關(guān)注LeetCode上的算法問題，因為算法問題是該平臺上最重要、最多和最多樣化的問題。

Bef.problems和Aft.problems的總數(shù)分別為1624個和354個。此外，兩者的難度分布為難、中、易，比例為1:2:1。

在所有Bef.problems中，作者隨機抽取了374個問題，其數(shù)量與Aft.problems相似，難度分布也與Aft.problems相同。

同樣，在354個Aft.problems和Bef.problems中，難、中、易問題的數(shù)量比例也是1:2:1，與LeetCode平臺上所有問題的難度分布一致。

此外，研究人員還檢查了Bef.problems和Aft.problems之間是否存在顯著差異。

如果Aft.problems只是Bef.problems的重構(gòu)，那么ChatGPT很可能可以輕松解決這些問題，這可能會影響實驗結(jié)果在區(qū)分時間段方面的可靠性。

論文中，作者總共找到了142對問題。然后，再讓2名研究生獨立檢查這些問題對。

通過仔細核對和討論，結(jié)果發(fā)現(xiàn)這些相似的問題要么情景相似，但求解目標完全不同；要么情景和條件不同，但可以使用類似的算法（如動態(tài)編程）求解。

經(jīng)過仔細的人工分析，作者沒有發(fā)現(xiàn)在任何情況下，Bef.problems可以很容易地重新表述為Aft.problems。

因此，作者認為Aft.problems和Bef.problems之外，對于每個問題，都要求ChatGPT用5種不同的語言生成代碼：C、C++、Java、Python3和JavaScript。

此外，他們還使用相同的提示模板為每個 < 問題、語言> 對創(chuàng)建了相應的提示。

Bef.problems和Aft.problems分別共有1,870和1,770個提示。由于ChatGPT的查詢速度有限，研究者將每條提示輸入一次，要求生成代碼。

然后，研究者將解析后的解決方案，提交給LeetCode進行功能正確性判斷，并得到提交狀態(tài)，包括接受、回答錯誤、編譯錯誤、超過時間限制和運行錯誤。

它們分別對應于A.、W.A.、C.E.、T.L.E.和R.E.。一個問題對應一個唯一的對話，以避免從其他問題觸發(fā)ChatGPT的推理。

實驗中，作者以狀態(tài)率（SR）來評估 ChatGPT 的代碼生成能力。其中

和

分別是根據(jù)狀態(tài)生成的代碼片段數(shù)和輸入的提示數(shù)。

提示：

所設(shè)計的提示模板由4個部分組成：它們分別是<Content>、<Examples>、<Template>和<Command>。

<Content> 用自然語言描述問題，<Examples> 顯示功能正確的代碼 <input, output> 對，<Template> 指定生成代碼的方法簽名（method signature），<Command> 要求用特定語言生成代碼。

結(jié)果：

表1和表2顯示，LeetCode對五種編程語言在兩個時間段、兩種形式下的代碼生成結(jié)果、SR以及相應的相對頻率柱形圖。

由于Python3和JavaScript都是動態(tài)編程語言，因此這兩列不包含C.E.。

從總體結(jié)果來看，ChatGPT為Bef.problems生成的功能正確代碼的A.率明顯高于Aft.problems。

具體來說，Bef.problems的五種語言平均正確率（68.41%）比Aft.problems的（20.27%）高出 48.14%。

五種語言在不同階段的代碼生成性能差異顯著，P值為0.008，效應大小值為1。

對于Aft.problems，總體正確率低于25%，其中難、中、易問題的正確率分別為0.66%、13.90%和52.47%。

用Holm-Bonferroni校正程序調(diào)整的P值和五種語言不同難度之間的效應大小值分別小于0.05和等于1。

結(jié)果表明，面對Aft.problems，隨著問題難度的增加，ChatGPT在功能上正確生成代碼的能力明顯下降。

此外，即使是簡單的問題，它也只能正確回答一半。

在這五項/四項指標中，W.A.率是所有語言中最高的一項，達到58%。

此外，每個W.A.代碼片段平均有109個測試用例，而ChatGPT生成的代碼只能通過其中的25%。

難題、中難題和簡單難題的測試用例通過率分別為20.90%、21.03%和38.41%。因此，無論難度如何，生成代碼的語義都與相應問題描述的邏輯有很大差異。

此外，C.E.率和R.E.率也都達到了16%，而且難題和中難題的C.E.率明顯高于簡單難題。

ChatGPT生成的中難題代碼，更容易出現(xiàn)編譯和運行時錯誤。比如，圖4中顯示生成的函數(shù)cmpfunc，在調(diào)用前沒有聲明。語法錯誤只占這些錯誤的一小部分（3.7%）。

至于T.L.E.率，雖然數(shù)值不高（6%），但測試用例的平均通過率為51%，高于W.A.代碼片段。

T.L.E.問題的難、中、易三個難度級別的測試用例，平均通過率分別為68%、50%和1%（易問題由于其T.L.E.率接近0%，可以忽略不計）。

由于T.L.E.代碼片段的測試用例通過率是部分的，不過生成的代碼中最多還有6%在功能上是正確的，盡管它們的時間復雜度可能并不理想。

細分到每種語言，C、C++、Java、Python3和JavaScript的A.率分別為15.38%、19.37%、20.17%、23.93%和22.51%。

此外，圖5顯示了將五種不同語言與每個問題（僅考慮至少有一個正確解決方案的問題）相結(jié)合的A.率分布（接受率分布）。

從圖中可以看出，Medium語言的平均線和中位線都≤0.5，而Easy語言的平均線和中位線都≥0.6。

對于簡單問題ChatGPT更容易將生成的代碼泛化到不同的語言中。簡單問題和中等問題的中位數(shù)和均值分別為0.4和0.5。

對于Bef. Problems問題方面，難、中、易問題的正確率分別為40.13%、70.95%和89.80%，遠高于Aft. problems，但不同難度之間仍存在顯著差異。

用Holm-Bonferroni校正程序調(diào)整后的P值和難與中、難與易之間的效應大小值分別小于0.05和大于0.9。

五種語言中，中等難度和簡單難度之間的調(diào)整后P值和效應大小值分別為0.056和0.76。

ChatGPT在解決2021年之前訓練集中可能出現(xiàn)的問題時，表現(xiàn)更好，尤其是中等難度和簡單難度的問題。

解決難題的正確率提高了40%，但仍低于50%，這表明ChatGPT生成邏輯復雜問題代碼的能力仍有很大的提升空間。

總體正確率下降到 17.03%，難、中、易問題的正確率分別為32.89%、15.05%和6%。

生成的代碼仍能通過平均112個測試用例中的25%。難、中、易問題的測試用例通過率分別為19.19%、31.12%和47.32%。

后兩者都提高了10%，這表明ChatGPT對Bef. Problems有更好的理解力。

不過，C.E.率和R.E.率仍達到13%，接近Aft. problems的16%，兩個階段之間的P值和效應大小值分別為0.328和0.3125，且困難問題通過率最高，中難度問題通過率次之。

編譯錯誤和運行時錯誤與Aft. problems類似，例如，圖6所示代碼用于重塑給定的二維矩陣，但在第15行引發(fā)了運行時錯誤，該行為*returnColumnSizes分配了錯誤大小的內(nèi)存。

至此，T.L.E.率降至1.87%，測試用例平均通過率為74%。

接下來，再細分到每種語言，C、C++、Java、Python3和JavaScript的A.率分別為47.24%、68.63%、76.37%、75.35%和74.44%。

后四種語言的A.率值彼此接近，且大大高于C（最低級別語言）的A.率值，至少高出20%。

圖 7 顯示的是與圖 5 相同的Bef. Problems。從圖中可以看出，中等題和簡單題的平均線和中位線都≥0.75，而且它們的中位數(shù)和平均值之間的差異比之前的Aft. problems要小一半。

此外，有難度的平均線和中位線都≥ 0.55。對于Bef. Problems，ChatGPT更容易將代碼擴展到不同的語言中。

ChatGPT接受的問題的人類平均接受率為55%，而ChatGPT未接受的問題的人類平均接受率為47%。

總而言之，通過實驗，ChatGPT在功能性正確代碼生成任務(wù)上，比起Aft. problems，更加擅長解決不同編程語言中的Bef. Problems。

尤其是，前者的平均正確率比后者高出48.14%。此外，不同的難度也會影響基于ChatGPT的代碼生成。

對于兩個階段的問題，ChatGPT都能生成運行時間和內(nèi)存開銷小于至少50%的人類解決方案的代碼。

無論哪個階段的問題，ChatGPT生成的代碼出現(xiàn)編譯或運行時錯誤的概率都差不多，平均為14.23%。

在所有問題中，C++、Java、Python3和JavaScript的A.率值分別為44.75%、48.74%、50.00%和48.80%，彼此接近，且大大超越C的31.28%。

多輪修復功能管用嗎

在這個方面，作者想探究ChatGPT支持的多輪對話能力在改進代碼正確性上究竟表現(xiàn)如何？人類能夠「知錯就改」，LLM可以嗎？

首先，研究人員對ChatGPT生成的157段代碼的錯誤類型進行了分析，可以大致分為以下幾類：

- 細節(jié)錯誤（WD）：代碼細節(jié)上的錯誤一般源于誤解題意，或者代碼與問題理解不一致，但大體邏輯基本正確，因此這類錯誤很容易被修復。

- 誤解某些內(nèi)容（MCC）：生成代碼沒有滿足給定問題的主要條件，使用的算法合適，但需要修改其核心。

- 誤解問題（MP）：指ChatGPT完全錯解了題意，這是最難修復的一種情況，代碼需要完全重寫，

將錯誤信息反饋給ChatGPT的方式依舊延續(xù)了圖3所示的格式，包括原始問題、生成代碼片段、LeetCode的報錯信息以及相應指令。

進行不超過5輪的對話修復后，得到了表5所示的結(jié)果。

可以看到，157個問題中能通過自動化修復的只有25個，其中16個屬于簡單模式，困難問題的錯誤答案幾乎不可能被修復。

如果把對話輪數(shù)的上限增加到10輪呢？結(jié)果依舊不樂觀。

從157個問題中隨機選出10個，結(jié)果只有其中2個能在10輪內(nèi)成功修復，剩下的8個依舊無法通過。這能讓研究人員進一步分析ChatGPT很難自動修復的原因。

作者認為，一方面，ChatGPT缺乏掌握邏輯細節(jié)的能力；另一方面，在需要復雜邏輯推理的問題中，生成代碼往往偏離問題的實際含義，這即使對于人類程序員也很難修復。

代碼復雜度

代碼的復雜性對于可讀性、可維護性以及整體質(zhì)量來說，都是一個重要的影響因素。想象一下，如果ChatGPT對簡單的排序問題都生成出了你很難看懂的代碼，那會大大拉低使用體驗。

作者利用了SonarQube和cccc兩個指標來評估LeetCode數(shù)據(jù)集中Bef.問題的復雜程度，并評估響應生成代碼的循環(huán)復雜度（cyclomatic complexity）和認知復雜度（cognitive complexity）。

循環(huán)復雜度會計算執(zhí)行時線性獨立路徑的數(shù)量，從而體現(xiàn)源代碼的測試難度。認知復雜度則從人類角度衡量理解、推理一段代碼的難度。

由于以上量化標準不夠直觀，研究人員還同時評估了人類編寫的C++和Python3的LeetCode問題解答來與ChatGPT進行比較。

圖20的對比中可以看出，C代碼的復雜度最高，C++、Java和JavaScript次之并基本處于同一水平，Python3是最不復雜的，這與我們的固有認知基本吻合。

此外，與人類相比，ChatGPT生成的代碼雖然復雜度稍高，但差距并不明顯。

隨著LeetCode問題難度逐漸升高（表16），無論是人類還是ChatGPT，低復雜度代碼的占比都會逐漸降低，復雜度被分類為「高」和「非常高」的占比也隨之逐漸提高，這種趨勢也是類似的。

然而，不好的消息是，ChatGPT的多輪修復功能似乎沒法讓代碼更簡潔，多數(shù)情況下會維持甚至提高代碼的復雜。

性，這或許也是多輪修復功能效果不理想的原因之一。

代碼安全性

由于ChatGPT訓練時可能學習到了各種各樣的內(nèi)容，包括質(zhì)量較低、易受攻擊的代碼，因此評估生成代碼的安全性也非常重要。

由于LeetCode的算法代碼通常專注于解決特定的邏輯或計算問題，并不涉及管理系統(tǒng)資源、網(wǎng)絡(luò)通信等通常有敏感安全問題的操作，因此在這部分的評估中，論文同時采取了兩種路徑。

1)利用CodeQL對LeetCode答案的所有C、C++和Java代碼進行漏洞檢測，針對MITRE Top25中的5個CWE問題，包括指針和內(nèi)存相關(guān)的共30個查詢。

2)針對MITRE Top25中的18個CWE問題，每個問題提供3種上下文場景，給ChatGPT「挖坑」，要求它補全代碼，再用CodeQL自動檢測看是否確實出現(xiàn)了相應問題。

在第一個測試中（表18），ChatGPT表現(xiàn)良好，91.8%的錯誤集中在MissingNullTest這一類，其余的漏洞的出現(xiàn)頻次則一般不超過5次。

但仍要注意的是，ChatGPT在CWE 787，即「越界寫入」問題上表現(xiàn)不佳，這可能會導致潛在的代碼漏洞。

而且，由于這些漏洞的修復比較簡單，因此在給定錯誤信息并要求生成修復代碼后， ChatGPT也能較好完成任務(wù)。

要求ChatGPT修復CWE-787問題的提示模板

在第二個測試——安全代碼生成方面，ChatGPT共生成了2983（99.07%）個有效代碼片段，其中994個存在安全漏洞，占比達到33.32%。

而且，C語言中的易受攻擊片段的百分比（51.64%）遠遠高于Python3（17.08%），這有可能是由于C代碼本身就對程序的內(nèi)存安全提出了更高的要求，也可能源于訓練數(shù)據(jù)中C和Python3代碼的質(zhì)量差距。

多輪修復功能依舊表現(xiàn)出色，89.4%的漏洞都能在給出CWE信息后成功解決，比如溢出、數(shù)據(jù)泄露、不安全內(nèi)存操作、未經(jīng)身份驗證訪問等相關(guān)問題。

ChatGPT非確定性

ChatGPT的非確定性輸出如何影響代碼生成？

如下表所示，表22和表23分別列出了所選算法問題和溫度為0.7時的實驗結(jié)果。

在溫度為0的條件下，10次試驗中，算法問題和CWE代碼場景的非確定性代碼生成統(tǒng)計結(jié)果如表24、表25和表26所示。

其中表26列出了所選的20個CWE代碼場景。

此外，作者還研究了非確定性對多輪修復過程的影響，修復結(jié)果如表27-32所示。

溫度設(shè)為0.7，5次試驗中算法問題的多輪修復過程。

溫度設(shè)為0，5次試驗中算法問題的多輪修復過程。

溫度設(shè)為0.7，5次試驗中算法問題的CWE多輪修復過程。

溫度設(shè)為0，5次試驗中算法問題的CWE多輪修復過程。

溫度設(shè)為0.7，5次試驗中安全代碼生成的多輪修復過程。

溫度設(shè)為0，5次試驗中安全代碼生成的多輪修復過程。

總之，實驗中，當溫度設(shè)置為0.7時，單輪流程中的代碼生成可能會受到ChatGPT非確定性因子的影響，從而導致代碼片段在功能正確性、復雜性和安全性方面出現(xiàn)差異。

要減輕ChatGPT在單輪過程中的非確定性，一種可能的策略是將溫度設(shè)置為0。

然而，在多輪修復過程中，無論溫度設(shè)置為0.7還是0，ChatGPT固定的代碼片段在功能正確性、復雜性和安全性方面都可能存在差異。

本文轉(zhuǎn)自 新智元 ，作者：新智元

原文鏈接: ??https://mp.weixin.qq.com/s/WVza402sjxaNqgmgQc-KsQ??