文章總結(jié)與翻譯一、文章主要內(nèi)容本文聚焦大型語言模型（LLMs）在代碼審查評(píng)論細(xì)粒度分類中的應(yīng)用潛力，旨在解決傳統(tǒng)監(jiān)督機(jī)器學(xué)習(xí)方法依賴大量人工標(biāo)注數(shù)據(jù)、泛化能力有限的問題，具體內(nèi)容如下：研究背景：代碼審查（CR）是軟件開發(fā)中的關(guān)鍵質(zhì)量保障環(huán)節(jié)，但現(xiàn)代輕量級(jí)審查中存在20%-44%的“無用”評(píng)論，浪費(fèi)開發(fā)者時(shí)間。傳統(tǒng)方法多將評(píng)論分為5個(gè)高層類別，且依賴人工標(biāo)注數(shù)據(jù)，難以處理17個(gè)細(xì)粒度類別（部分高價(jià)值類別數(shù)據(jù)占比不足1%）的不平衡問題。研究設(shè)計(jì)分類策略：對(duì)比兩種分類策略——“扁平策略”（單步直接分類為17個(gè)類別）和“分層策略”（兩步分類：先分5個(gè)高層組，再分對(duì)應(yīng)子類別）。輸入上下文：測(cè)試“僅評(píng)論”和“代碼+評(píng)論”兩種輸入形式，探究代碼上下文對(duì)分類效果的影響。模型與數(shù)據(jù)集：選用Qwen 2（7B、72B）和Llama 3（8B、70B、405B）系列模型，基于OpenStack Nova項(xiàng)目的1828條人工標(biāo)注評(píng)論數(shù)據(jù)集，與現(xiàn)有最優(yōu)方法（CodeBERT+LSTM）對(duì)比。核心結(jié)果RQ1（LLMs能否分類評(píng)論）：LLMs可有效分類17個(gè)類別，性能遠(yuǎn)超隨機(jī)猜測(cè)和多數(shù)類基線。其中Llama 3.1-405B采用扁平策略+代碼上下