查看“WikiEdge:ArXiv-2408.15658/questions”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.15658/questions|action=edit}} 编辑]</div>
作者面对的是大型语言模型（[[Large Language Models]]，LLMs）在数据科学代码生成任务中准确性和可靠性的挑战。具体问题包括：
# 代码生成的不准确性和幻觉问题：由LLMs生成的代码经常存在不准确或幻觉（[[hallucinations]]），需要外部输入进行纠正。
# 数据科学代码的复杂性：数据科学代码涉及如[[数据分析]]、[[模型构建]]、[[可视化]]和[[部署]]等探索性任务，这些任务的复杂性要求模型理解特定领域的库（例如[[NumPy]]、[[Pandas]]、[[Scikit-learn]]）和工作流程。
# 代码建议的有效性：虽然LLMs可以为开发者的代码库提供代码片段建议，但这些建议的有效性很大程度上取决于开发者自身，有经验的开发者可以有效辨别和提炼这些建议，而新手程序员可能会遇到困难，导致潜在的误解或不当的实现。