做代码仓库级上下文注入的团队终于有了一个轻量方案——Code2LoRA 用超网络生成适配器，省去逐仓库微调的成本，还支持代码演化场景。做代码补全或仓库级 AI 工具的开发者值得试试这个零推理开销的思路。
Code2LoRA 提出一种超网络框架，为代码语言模型生成仓库专属的 LoRA 适配器，无需在推理时增加 token 开销。它支持两种模式：Code2LoRA-Static 用于稳定代码库的静态快照适配，Code2LoRA-Evo 则通过 GRU 隐藏状态逐 diff 更新适配器，适应代码演化。作者构建了 RepoPeftBench 基准，包含 604 个 Python 仓库的静态和演化任务。静态任务上，Code2LoRA-Static 达到 63.8% 跨仓库和 66.2% 仓库内精确匹配，与逐仓库 LoRA 上限持平；演化任务上，Code2LoRA-Evo 跨仓库精确匹配达 60.3%，比单个共享 LoRA 高 5.2 个百分点。代码和数据集已开源。
Code2LoRA 提出一种超网络框架，为代码语言模型生成仓库专属的 LoRA 适配器，无需在推理时增加 token 开销。它支持两种模式：Code2LoRA-Static 用于稳定代码库的静态快照适配，Code2LoRA-Evo 则通过 GRU 隐藏状态逐 diff 更新适配器，适应代码演化。作者构建了 RepoPeftBench 基准，包含 604 个 Python 仓库的静态和演化任务。静态任务上，Code2LoRA-Static 达到 63.8% 跨仓库和 66.2% 仓库内精确匹配，与逐仓库 LoRA 上限持平；演化任务上，Code2LoRA-Evo 跨仓库精确匹配达 60.3%，比单个共享 LoRA 高 5.2 个百分点。代码和数据集已开源。
Code language models need repository-level context to resolve imports, APIs, and project conventions. Existing methods inject this knowledge as long inputs (retrieved through RAG or dependency analysis) or through per-re…
- AK06-05 15:58原文