يقدم الباحثون Code-MUE، وهو إطار عمل أسود بالكامل (black-box) يكمم عدم اليقين في نماذج Code Large Language Models من خلال تحليل Semantic Interaction Graphs القائمة على التنفيذ. يسد هذا النهج الفجوة بين البنية والدلالة عن طريق ترسيخ عدم اليقين في السلوك القابل للملاحظة أثناء التشغيل بدلاً من التشابه النصي السطحي.
- يحسب Code-MUE إنتروبيا فون نيومان لمساحة الحلول لقياس التنوع الدلالي العالمي.
- يعالج قيود الطرق الحالية التي تفشل في التقاط هشاشة الكود حيث لا يعني التباين البنيوي انحرافاً دلالياً.
- صُمم الإطار ليعمل مع النماذج مغلقة المصدر (closed-source) حيث لا تنطبق تقنيات الصندوق الأبيض والرمادي.
أظهرت دراسة تجريبية واسعة النطاق عبر ثمانية من أحدث نماذج اللغات الكبيرة (LLMs) أن Code-MUE يحقق ارتباطاً سلبياً قوياً مع الصحة الوظيفية، متفوقاً بشكل كبير على الأسس المرجعية القائمة على المفردات والتضمين.