Applying the Chinese Wall Reverse Engineering Technique to Large Language Model Code Editing

文章主要内容总结本文聚焦代码大语言模型（Code LLM）的版权争议与性能提升问题。核心背景是：主流商业代码大语言模型（如GPT-4、Gemini 2.5 Pro等）的训练数据不公开，可能包含受版权保护的开源代码，存在侵权风险；而部分注重数据合规性的模型（如Comma、Starcoder2）因训练数据有限，性能较弱，缺乏竞争力。为此，作者提出将“中国墙”（Chinese Wall）逆向工程技术应用于代码大语言模型：利用高质量模型生成详细的指令式注释，再让较弱但符合伦理（训练数据合规）的模型遵循这些注释完成复杂代码编辑任务。实验表明，该技术能显著提升弱模型性能——在CanItEdit基准测试中，Comma v0.1 1T的性能提升超66%，Starcoder2 Instruct提升约20%。但由于目前缺乏完全基于无版权限制的公共领域数据训练的模型，该技术的实际应用仍受限。创新点技术迁移：首次将“中国墙”逆向工程技术（通过两组团队分离逆向工程与开发，确保法律独立性）应用于代码大语言模型，通过“强模型生成指令+弱模型执行”的模式，在兼顾版权合规性的同时提升弱模型性能。性能验证：通过CanItEdit基准测试量化验证了该技术的有效性，为弱合规模型的实用化提供了可行路径。翻译部分摘要代码大语言模型（Code LLM）在编程环境中的应用日益广泛。尽管这些模型实用性强，但主流模型的训练数据集仍未公开，引发了