Customizing an LLM for Enterprise Software Engineering¶

复现级别：L1 核心机制诊断。 只执行中训练 replay 目标与不变量；没有 Google 私有万亿 token 数据、Gemini 权重或内部开发环境，不把原文 A/B 当作本地成绩。

论文信息¶

字段	内容
论文链接	arXiv 2605.16517
公司/机构	Google（按第一作者署名单位）
首次公开日期	2026-05-15（arXiv v1）
原文开源代码	否：截至 2026-10-02 未找到原作者公开实现
Adapter	`gemini-for-google`
本地复现代码	`src/auto_research/foundation_latest_20261002.py`

从企业开发历史中提取高价值代码与交互信号，经过去重、质量过滤和污染控制形成中训练数据；用通用数据回放抑制灾难性遗忘，再做面向内部工具的后训练和部署评测。

flowchart LR
  I[输入/当前状态] --> M[gemini-for-google 核心机制]
  M --> A[可审计中间量]
  A --> O[输出/更新状态]

原论文关键图：展示论文核心架构、训练流程或系统协议。图片来自原论文，版权归原作者所有；点击图片可查看来源。

\(L=(1-\lambda)L_{enterprise}+\lambda L_{replay}\)；本地算子显式暴露企业适配与通用能力保留之间的混合比例。

29,000 名开发者盲 A/B 中，平均每轮交互次数下降 23%，代码存活率提高 16.8%。

本地对照口径：基线为机制关闭或默认状态，实验组为开启对应核心算子；相对百分比不适用。本批指标只验证不变量、梯度或状态转换，不表示论文规模效果。

只执行中训练 replay 目标与不变量；没有 Google 私有万亿 token 数据、Gemini 权重或内部开发环境，不把原文 A/B 当作本地成绩。