大型语言模型跨语言代码翻译中的幻觉：现象与缓解

代码翻译是在保留功能的同时，将源代码从一种编程语言转换为另一种编程语言。尽管大型语言模型（LLMs）提升了代码翻译能力，但其输出仍包含幻觉：生成的代码与源程序相冲突、违反目标语言事实，或引入上下文不一致的依赖。这些失败在翻译任务中尤其有害，因为细微的语义偏差可能会悄然改变程序行为。现有的幻觉研究主要聚焦于自然语言生成或代码生成，对于跨语言代码翻译中幻觉的形式、分布及缓解方法仍缺乏充分刻画。本文对代码翻译中的LLM幻觉进行了系统的实证研究。基于三个基准数据集、六种语言对和七个LLM，我们构建了一个包含三大类别的分类体系：语义一致性冲突、事实知识冲突和项目上下文偏差。我们人工标注了13,919个幻觉案例，并分析了不同模型、数据集和语言方向下幻觉类型的变化。受该分类体系指导，我们进一步提出了HaluCodeTran这一缓解框架，将基于BM25的相关翻译示例检索与分类体系感知的反思式细化相结合。本研究提供了经过执行测试的代码翻译幻觉刻画，并为构建更可靠的基于LLM的代码迁移工具提供了实用基线。