- Cilmi-baarayaasha Apple waxay si fiican u hagaajiyeen koodka isha furan ee LLM si ay u abuuraan SwiftUI iyada oo loo marayo dhuumaha jawaab celinta tooska ah.
- Loop-ka-soo-ururinta, hubin muuqaal ah oo leh GPT-4V, iyo shaandhaynta-waxay abuurtay tababar weyn oo tayo sare leh.
- Shan wareeg ka dib, kooxdu waxay dhistay UICoder iyo ku dhawaad 996,000 barnaamijyada SwiftUI, oo ka sarreeya qaabka aasaasiga ah una dhow GPT-4 tayada.
- Sababtoo ah Swift wuxuu ahaa mid aad u yar oo ka mid ah corpus asalka ah, faa'iidooyinku waxay ka yimaadeen xog-ururinta; Habkani waxa ay u badan tahay in uu ku soo koobo qalabyada kale ee UI.
Baarayaasha Apple han detallado una forma práctica de enseñar a un modelo de código abierto a escribir interfaces de usuario SwiftUI robustas. En lugar de depender de ejemplos escasos y etiquetados manualmente, el equipo creó un motor de datos que allowe al modelo aprender de sus propios resultados bajo supervisión automatizada.
La fikradda se centra en un bucle de retroalimentación automático que genera código SwiftUI, verifica si compila y comprueba qué tan closely el resultado coincide con una descripción escrita. Se trata de una revisión dhexdhexaad y medida de cómo un modelo de lenguaje grande puede mejorar progresivamente en la generación de código UI sin necesitar un corpus preexistente masivo de SwiftUI.
Cómo funcio la canalización de autoentrenamiento
El equipo empezo con StarChat-Beta, un modelo il furan ajustado para tareas de programación, y le proportionó descripciones concisas de interfaces. A partir de esas indicaciones, el modelo generó un flujo masivo de barnaamijyada SwiftUI sintéticos diseñados para reflejar los diseños y comportamientos solicitados.
Cada candidato fue sometido a un compilador de Swift para confirmar que realmente funcionaba. Luego, un modelo de visión y lenguaje, GPT-4V, comparó la interfaz renderizada con la descripción original, actuando como un revisor automatizado de fidelidad visual y structural. Sida ampliar tu conocimiento acerca del desarrollo de interfaces, también puedes revisar cómo trabajar con ay maamusho deslizantes en SwiftUI.
Cualquier resultado que fallara en compilar, pareciera fuera de tema o duplicara resultados anteriores, era descartado. El resto conformaba un conjunto de entrenamiento de alta calidad utilizado para ajustar el modelo, alimentando la siguiente ronda con ejemplos más limpios y relevantes.
Este ciclo se repitió varias veces. Con cada pasada, el modelo mejorado producía mejores resultados en SwiftUI, lo que generaba datos más precisos para su ajuste. Después de cinco rondas, los investigadores habían recopilado cerca de un millon de programas SwiftUI (996,000) y un modelo ajustado llamado UIcoder.
Marka la qiimeeyo, UIcoder superó al modelo base (StarChat-Beta) iyo métricas automáticas y valoraciones humanas. Además, logró un duqa magaalada porcentaje de éxito en compilación, un beneficio práctico para quienes necesitan que el código funcione a la primera.
Poca presencia de SwiftUI iyo asalka asalka ah
Parte de la historia radica en el corpus de entrenamiento Isticmaalka StarChat-Beta. Sus datos provinieron principalmente de tres fuentes, ninguna de las cuales proportionaba mucho contenido de SwiftUI de manera dabiiciga ah:
- TheStack, una colección muy grande de repositorios de código con licencia permisiva.
- Ku soo dhawow shabakada internetka iyo internetka.
- OpenAssistant-Guanaco, un conjunto de datos más pequeño de afinación por instrucciones.
Según los investigadores, los repositorios de Swift fueron excluidos accidentalmente al construir TheStack. Una revisión manual también encontró solo Waxaad la xiriiri kartaa Swift en aproximadamente diez mil ejemplos de OpenAssistant-Guanaco, con la mayor parte del código Swift que probablemente llegó mediante rastreos web, a menudo más ruidoso y menos structurado que en los repositorios.
Esta escasez es importante: las mejoras de UICoder no provinieron de reusar ejemplos de SwiftUI ya vistos. La mejora vino del conjunto de datos auto-generado y curado mediante el ciclo de compilación y comparación, que proporcionó la cobertura de SwiftUI ausente en las fuentes originales. Para entender cómo los diferentes lenguajes se integran en la programación, revisa cómo verificar la versión de Swift en tu entorno.
Los autores mantienen que esta metodología podría aplicarse a otros lenguajes y kits de herramientas UI, ma jiro kali SwiftUI. El documento completo—“UICoder: Hababka Luuqadaha Waaweyn ee si Wanaagsan u hagaajinaya si loo soo saaro Koodhka Interface-ka isticmaalaha iyada oo loo marayo jawaab celin toos ah”—está disponible en arXiv para quienes quieran profundizar en los detalles iyo métricas.
Este trabajo demuestra que Duqa magaalada beneficio para el modelo de Apple para SwiftUI provino de un bucle de retroalimentación automatizado que escala la calidad de los datos, en lugar de partir de un gran conjunto oculto de código Swift. Con UIcoder acercándose en calidad a GPT-4 y superándolo en tasa de éxito de compilación, esta estrategia resulta ser una referencia práctica para enseñar a los modelos a generar código UI cuando no hay ejemplos claros disponibles.
