CuraLoc localise les bugs dans le code avec 59,3 % de précision, en consommant 10 fois moins de tokens que ses concurrents

Pourquoi les anciennes approches étaient coûteuses

Lorsqu'un rapport de bug arrive, le vrai défi n'est pas de corriger l'erreur, mais de déterminer où exactement dans le dépôt elle se cache. Le rapport décrit un symptôme (« en saisissant X, le système renvoie un Y incorrect »), mais ne précise ni le fichier ni la fonction à modifier. Les auteurs d'un nouveau travail de recherche proposent une méthode pour localiser ces emplacements de manière plus précise et plus économique que les outils existants.

La plupart des systèmes de localisation de bugs fonctionnent comme des agents : le modèle observe le code, décide où « se déplacer » ensuite — vers la fonction appelante, la classe parente, une méthode voisine — et affine ainsi progressivement le cercle des suspects. Cette approche est flexible, mais chaque étape correspond à une requête distincte au modèle, ce qui se traduit par des dizaines d'appels et une consommation de tokens énorme pour une seule tâche.

CuraLoc teste une idée différente : planifier l'ensemble du parcours d'exploration du code à l'avance, en une seule décision, au lieu de la reformuler à chaque étape.

Comment fonctionne CuraLoc

Le système procède en trois étapes, en approfondissant progressivement l'analyse du code :

• Sélection des fichiers. Le modèle examine la structure du dépôt et, selon trois angles de vue différents — qui porte la logique, qui l'exécute, qui la vérifie — propose une liste de fichiers candidats, limitée à 15.
• Sélection des symboles et des actions. À partir des fichiers retenus, le modèle reçoit non pas le code lui-même, mais des descriptions compactes des fonctions et classes : signature, rôle dans la structure, résumé succinct du comportement (issu de la documentation ou généré par un modèle auxiliaire plus petit). Sur cette base, le modèle choisit en une seule décision par quelles fonctions commencer l'examen, quel type de lien vérifier pour chacune (appels, héritage, redéfinitions), et formule des hypothèses sur l'emplacement probable de la correction.
• Récupération du code et classement. Ce n'est qu'à ce stade que le système charge automatiquement (sans intervention du modèle) le code source réel des fragments nécessaires, et la requête finale demande au modèle de classer jusqu'à dix candidats pour la correction, en s'appuyant à la fois sur le code et sur les hypothèses formulées précédemment.

L'économie clé réside dans le fait que le modèle décide « quoi examiner » une seule fois, de manière compacte, plutôt que pas à pas après chaque nouveau fragment de code.

Ce que montrent les tests

La méthode a été testée sur deux ensembles de bugs réels issus de projets open source — SWE-bench Lite (274 tâches) et SWE-bench Verified (454 tâches) — en comparaison avec trois méthodes existantes : LocAgent, RepoSearcher et Agentless, avec le modèle GPT-5.2.

• Sur SWE-bench Verified, la précision de localisation exacte de l'emplacement à corriger (métrique Func@1) est passée de 53,8 % pour LocAgent à 59,3 % pour CuraLoc — avec une consommation de tokens réduite de 90,3 %.
• CuraLoc dépasse également RepoSearcher (56,2 %) et Agentless (39,6 %) sur cette même métrique.
• Sur SWE-bench Lite, CuraLoc atteint 83,8 % de précision dans le top-5 des prédictions, soit une amélioration relative de 15 % par rapport à Agentless.
• La méthode a également été testée sur le nouveau modèle GPT-6 Astra — les résultats sont restés constamment élevés, ce qui prouve que l'approche n'est pas liée à un modèle spécifique.

Les auteurs ont par ailleurs vérifié ce qui explique précisément ce gain de précision. Il s'avère que la simple capacité à trouver les bons fichiers n'est pas l'essentiel : même lorsque le système sélectionnait correctement les fichiers, si les symboles à l'intérieur étaient classés selon un ordre formel (et non selon la pertinence par rapport au bug), la précision chutait de 67,2 % à 42,3 %. Le principal avantage de CuraLoc réside donc dans le choix réfléchi des liens de code à vérifier, et non dans une couverture plus large des fichiers.

Ce que cela signifie en pratique

Pour les équipes qui travaillent sur la réparation automatique de code ou qui développent des agents IA pour le développement logiciel, CuraLoc démontre une alternative viable aux agents pas-à-pas coûteux : il est possible de remplacer des dizaines de requêtes itératives par un plan d'exploration unique et réfléchi, tout en obtenant une précision équivalente, voire supérieure — pour une consommation de tokens plusieurs fois moindre. C'est particulièrement pertinent pour les entreprises qui souhaitent intégrer la détection automatique de bugs dans leurs pipelines CI/CD, où le coût et la rapidité de chaque requête sont déterminants.