一、文章主要内容和创新点主要内容本文聚焦于利用大型语言模型（LLMs）进行代码翻译的任务，旨在通过中间表示（自然语言NL和抽象语法树AST）结合提示工程技术（如零样本、单样本、思维链CoT等）提升翻译准确性。实验设计：比较了多种提示方式（零样本提示、单样本提示、两步法提示（以AST/NL为中间表示）、单样本思维链提示（结合AST/NL）），使用Open Gpt4 8X7B、StarCoder、CodeGen等模型，在CodeNet和AVATAR两个代码翻译基准数据集上进行测试。核心发现：带中间自然语言（NL）总结的思维链（CoT）提示效果最佳。对于Open Gpt4 8X7B模型，相比零样本提示，在CodeNet数据集上成功翻译率提升13.8%，在AVATAR数据集上提升6.7%。进一步验证：通过新数据集（AVATAR）和新模型（StarCoder、CodeGen）验证了结论的泛化性，发现Open Gpt4 8X7B在优化提示下表现最优，且提示效果因模型而异（如StarCoder在CoT-NL提示下表现更好，而CodeGen在零样本提示下更优）。创新点首次将LLMs与中间表示（NL和AST）结合用于代码翻译，填补了现有研究中“LLMs代码翻译”与“中间表示辅助翻译”两个方向的空白。系统比较了多种提示工程策略（零样本、单样本、两步法、思维链）与中间表示的结合方式，明确了“思维链+自然语言中间表示”是最优组合。验证了小模型（如Open Gpt4 8X7B，
