文章核心总结与创新点主要内容本文是对AdvFusion（一种基于适配器的参数高效微调方法）的扩展研究，聚焦代码大型语言模型（Code-LLMs）在多语言知识迁移中的表现。在原有代码摘要和方法名预测任务基础上，新增代码生成、代码翻译、提交消息生成三大任务，通过CodeLlama、DeepSeek-Coder等主流模型，与AdapterFusion、LoRA等经典PEFT方法对比，探究AdvFusion在不同任务和模型中的适配性，同时重点关注低资源编程语言的性能表现。创新点扩展任务与模型覆盖：首次将AdvFusion应用于代码生成、代码翻译、提交消息生成三类复杂实际任务，覆盖多类主流Code-LLMs，突破原有研究的任务和模型局限。深化多语言知识迁移机制：通过两阶段训练（对抗训练阶段强制学习非目标语言知识，微调阶段融合目标语言信息），强化跨语言知识提取，尤其针对低资源语言。系统对比与新发现：揭示不同PEFT方法的任务依赖性，发现简单架构适配器（如TaskAdapter）在部分代码任务中优于复杂架构（如LoRA），为Code-LLMs的适配器设计提供新方向。译文（Markdown格式）Abstract编程语言可通过软件工程任务专用的语言模型实现相互赋能。针对代码语言模型（Code-LMs）的全参数微调与参数高效微调（PEFT）已在多语言知识迁移领域得到探索。Adap