LLM Over-Editing 측정 및 RL을 통한 Minimal Edit 구현

Context

AI 코딩 도구가 단순 버그 수정 요청에도 함수 전체를 재작성하는 Over-Editing 문제 발생. 이는 Code Review 단계의 병목을 심화시키며, 테스트 통과 여부와 무관하게 코드베이스의 구조적 일관성을 저해하는 Brown-field 개발의 핵심 리스크로 작용.

Technical Solution

• BigCodeBench 기반 400개 문제에 연산자 반전 및 불리언 값 변경 등 Programmatic Corruption을 적용하여 정밀한 Ground Truth 생성
• 단순 문자열 비교가 아닌 Python Tokenizer 기반의 Token-level Levenshtein Distance를 도입하여 구문론적 변경 사항만 정밀 측정
• 모델 출력물과 Ground Truth를 모두 오염된 입력값(Corrupted Input)과 대조하여 불필요한 수정량을 수치화하는 메트릭 설계
• Reasoning 모델의 Instruction Following 능력을 활용해 원본 코드 유지 지침을 부여하는 Prompt Steering 적용
• 일반 코딩 성능 저하 없이 편집 충실도를 높이기 위해 Reinforcement Learning(RL)을 통한 모델 파인튜닝 수행
• Qwen3 4B 및 14B 모델을 통해 RL 기반의 Faithful Editor 구현 가능성을 검증