DiffCodeGen：无需额外LLM调用的代码生成测试时扩展新方法

DiffCodeGen提出基于覆盖率引导差异分析的测试时扩展方法，通过动态行为聚类选择最优代码候选，无需额外LLM调用即可实现高效代码生成选择，显著降低token消耗和推理时间，解决现有测试时扩展依赖公开测试用例和昂贵LLM推理的核心痛点。

近年大语言模型在代码生成任务表现突出，但测试时扩展（推理阶段探索大规模解空间提升生成质量）面临两大难题：1.依赖公开测试用例，实际场景中常不存在；2.部分方法需额外LLM调用评估候选，导致高token消耗和时间延迟，限制可扩展性。这些痛点催生了DiffCodeGen创新方案。

核心创新是摆脱额外LLM调用，采用动态行为相似性聚类范式。流程分四阶段：1.候选生成：多样采样+提示词变体生成大量候选，支持并行执行；2.输入合成：用覆盖率引导模糊测试自动合成输入，无需预存测试用例和LLM；3.动态行为捕获：候选在合成输入上执行，捕获执行路径、输出等行为特征；4.行为聚类与选择：按行为相似性聚类，选最大簇中心点作为最终输出（基于主流行为模式更正确的假设）。

1.零额外LLM调用：候选选择基于执行行为和聚类算法，大幅降低token消耗；2.完全异步架构：候选生成并行、输入合成与执行独立、聚类批量处理，适配Agentic Coding趋势；3.模型无关：可与任意代码生成模型配合，与推理模型结合时性能进一步提升。

跨4个不同规模LLM评估，DiffCodeGen带来一致性能提升；与SOTA方法对比：性能相当甚至更优，同时仅用极少时间和token消耗完成任务，性能-效率权衡优势显著。

为代码生成测试时扩展开辟新路径，证明高质量代码选择无需昂贵模型推理；对开发者：更低API调用成本、更快响应时间、易集成到开发工具链；未来有望成为Agentic Coding范式下代码智能体的重要组件，推动自动化编程向实用经济方向发展。