paper.dinq.meAI 与前沿科学顶会 · 学术新星雷达
登录 DINQ
返回新星榜
QL

Qingyuan Liang

ACL 2026效率与系统评测与基准对齐与偏好
新星分贡献者
27
一作贡献0
核心/参与5
方向广度6
合作网络6
0 一作 · 1 篇 · ACL 2026

获取完整研究档案

首次获取该候选人的完整档案及 StartLux 评估共 20 积分;每位用户单独解锁,之后查看免费。主动刷新 20 积分。

联系方式

实时查找电子邮箱,费用不超过20积分;未找到邮箱不扣费。

2026 顶会论文

1
作者位次 #4/6ACL 2026Poster· Natural Language Processing

TRACE : Evaluating Execution Efficiency of LLM -Based Code Translation

Zhihao Gong · Zeyu Sun · Dong Huang · Qingyuan Liang · Jie M. Zhang · Dan Hao

摘要

While Large Language Models (LLMs) have substantially improved the functional correctness of code translation, the critical dimension of execution efficiency remains overlooked. We present Trace , the first benchmark to explicitly assess efficiency in LLM-translated code. Trace includes 1,000 eff...

效率与系统评测与基准对齐与偏好OpenReview 项目页

常见合作者