- Peneliti Apple menyempurnakan LLM pengkodean sumber terbuka untuk menghasilkan SwiftUI melalui jalur umpan balik otomatis.
- Sebuah putaran berulang—kompilasi, pemeriksaan visual dengan GPT-4V, dan penyaringan—menghasilkan set pelatihan yang besar dan berkualitas tinggi.
- Setelah lima putaran, tim tersebut membangun UICoder dan hampir 996,000 program SwiftUI, mengungguli model dasar dan mendekati GPT-4 dalam hal kualitas.
- Karena Swift jarang ada dalam korpus asli, keuntungan datang dari kumpulan data yang dihasilkan sendiri; pendekatan ini kemungkinan digeneralisasi ke perangkat UI lainnya.
Peneliti Apple Saya telah mempelajari secara rinci cara praktis untuk membuat model kode dan menulis antarmuka penggunaan SwiftUI Robusta. Karena bergantung pada pekerjaan dan etika manual, peralatan tersebut menciptakan motor data yang memungkinkan model mempelajari hasil pengawasan yang baik secara otomatis.
La idea se centra en un tombol retrolimentasi otomatis yang menghasilkan kode SwiftUI, verifikasi jika dikompilasi dan dibaca sehingga hasilnya sesuai dengan deskripsi deskripsi. Jika Anda melakukan revisi netral dan memikirkan cara membuat model bahasa besar, Anda dapat meningkatkan kemajuan dalam pembuatan kode UI tanpa memerlukan korpus besar SwiftUI yang sudah ada sebelumnya.
Bagaimana fungsi saluran masuk otomatis
El equipo empezó con StarChat-Beta, model sumber terbuka yang disesuaikan untuk tahap program, dan proporsinya dijelaskan secara ringkas pada antarmuka. Dari indikasi ini, model ini menghasilkan banyak hal programas SwiftUI sintéticos diseñados untuk mencerminkan perangkat dan perilaku yang diminta.
Setiap kandidat akan suatu hari nanti compilador de Swift untuk mengonfirmasi bahwa Anda benar-benar berfungsi. Oleh karena itu, model visi dan bahasa, GPT-4V, bandingkan tampilan antarmuka dengan deskripsi aslinya, bertindak sebagai revisor otomatis secara visual dan struktural. Untuk meningkatkan pengetahuan Anda tentang pencarian antarmuka, Anda juga dapat meninjau kembali bagaimana caranya bekerja dengan mengontrol penghapusan di SwiftUI.
Apa pun hasil yang gagal dalam kompilasi, pareciera fuera de tema atau duplicara resultados anteriores, era descartado. Resto konformaba un bersamaan dengan entrenamiento dari calidad tinggi digunakan untuk menyesuaikan model, menyalakan putaran berikutnya dengan contoh lebih banyak lampu dan relevan.
Ini berulang kali berulang-ulang. Di setiap pasada, model yang lebih baik menghasilkan hasil yang lebih baik di SwiftUI, yang menghasilkan data yang lebih tepat untuk penyesuaiannya. Setelah putaran ini, penyelidik sudah menyalinnya sekitar satu juta program SwiftUI (996,000) y un modelo ajustado llamado UICoder.
En evaluaciones, UICoder superó al modelo base (StarChat-Beta) dalam metrik otomatis dan nilai kemanusiaan. Selain itu, logró un persentase kinerja walikota dalam kompilasi, sebuah manfaat praktis yang diperlukan agar kode berfungsi pada awalnya.
Ada kehadiran SwiftUI dalam data asli
Bagian dari sejarah radica en el corpus de entrenamiento digunakan untuk StarChat-Beta. Data yang kami sediakan pada dasarnya adalah tiga sumber, tidak ada gunanya berbagi banyak konten SwiftUI dengan cara alami:
- Tumpukan, kumpulan banyak repositori kode dengan lisensi yang diizinkan.
- Páginas web rastreadas en Internet público.
- OpenAssistant-Guanaco, gabungan data yang lebih sulit untuk mendapatkan petunjuk.
Seperti yang dilakukan peneliti, penyimpanan Swift fueron excluidos accidentalmente saya sedang membangun TheStack. Panduan revisi juga ditemukan sendirian jawaban dengan kode Swift sekitar satu juta contoh OpenAssistant-Guanaco, dengan sebagian besar kode Swift yang mungkin terletak di tengah-tengah rastreos web, sebuah menu lebih rusak dan kurang terstruktur que en los repositorios.
Hal ini penting: bagian-bagian UICoder tidak menyediakan contoh penggunaan kembali SwiftUI yang Anda lihat. La mejora vino del gabungan dari data yang dihasilkan dan disimpan secara otomatis Di tengah siklus kompilasi dan perbandingan, yang menghubungkan sampul SwiftUI dengan sumber asli. Untuk memahami bagaimana bahasa-bahasa yang berbeda terintegrasi dalam program, revisi bagaimana memverifikasi versi Swift di lingkungan Anda.
Para penulis menjaga metodologi ini agar tidak rusak menerapkan bahasa lain dan perangkat UI perangkat keras, tidak hanya SwiftUI. Dokumen lengkap—“UICoder: Menyempurnakan Model Bahasa Besar untuk Menghasilkan Kode Antarmuka Pengguna melalui Umpan Balik Otomatis”—adalah disponible en arXiv agar Anda tetap ingin mempelajari detail dan metriknya.
Este trabajo demuestra que manfaat utama untuk model Apple untuk SwiftUI provinsi un tombol pengatur daya otomatis yang meningkatkan kualitas data, selain dari kode besar kode Swift. Menipu UICoder bekerja dengan baik dalam GPT-4 dan menjalankan tugas kompilasi dengan baik, hasil strategi ini adalah referensi praktis untuk membuat model dan menghasilkan kode UI ketika tidak ada contoh yang jelas.
