એપલનું યુઆઈકોડર બતાવે છે કે એલએલએમ ઓટોમેટેડ ફીડબેક દ્વારા સ્વિફ્ટયુઆઈ કેવી રીતે શીખી શકે છે

મુખ્ય પૃષ્ઠ » પાયથોન » એપલનું યુઆઈકોડર બતાવે છે કે એલએલએમ ઓટોમેટેડ ફીડબેક દ્વારા સ્વિફ્ટયુઆઈ કેવી રીતે શીખી શકે છે

એપલ સંશોધનકારો han detallado una forma practica de enseñar a un modelo de código abierto a escribir interfaces de usuario સ્વીફ્ટયુઆઈ રોબસ્ટા En lugar de depender de ejemplos escasos y etiquetados manualmente, el equipo creó un motor de datos que permite al modelo aprender de sus propios resultados bajo supervisión automatizada.

વિચાર એક કેન્દ્રમાં છે 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 neutral 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 funcionó la canalización de autoentrenamiento

એલ ઇક્વિપો એમ્પેઝો કોન સ્ટારચેટ-બીટા, un modelo open-source ajustado para tareas de programación, y le proporcionó descripciones concisas de interfaces. A partir de esas indicaciones, el modelo generó un flujo masivo de SwiftUI સિન્ટેક્ષ પ્રોગ્રામ્સ diseñados para reflejar los diseños y comportamientos solicitados.

Cada candidato fue sometido a un સ્વિફ્ટ કમ્પાઇલર 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 estructural. Para ampliar tu conocimiento acerca del desarrollo de interfaces, también puedes revisar cómo trabajar con deslizantes en SwiftUI ને નિયંત્રિત કરે છે.

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 habian recopilado cerca de un millón de programas SwiftUI (996,000) વાય અન મોડેલો અજુસ્ટાડો લામાડો યુઆઈકોડર.

મૂલ્યાંકનોમાં, યુઆઈકોડર સુપરઓ અલ મોડેલો બેઝ (StarChat-Beta) en métricas automáticas y valoraciones humanas. Además, logró un મેયર porcentaje de éxito en compilación, un beneficio práctico para quienes necesitan que el código funcione a la primera.

Poca presencia de SwiftUI en los datos originales

પાર્ટ ડે લા હિસ્ટોરિયા રેડિકા એન એલ તાલીમ કોર્પસ સ્ટારચેટ-બીટા માટે ઉપયોગ કરો. Sus datos provinieron principalmente de tres fuentes, ninguna de las cuales proporcionaba mucho contenido de SwiftUI de manera natural:

• TheStack, una colección muy grande de repositorios de código con licencia permisiva.
• વેબ રાસ્ટ્રેડા પાના ઇન્ટરનેટ જાહેર.
• ઓપનઆસિસ્ટન્ટ-ગ્વાનાકો, un conjunto de datos más pequeño de afinación por instrucciones.

Según los investigadores, los repositorios de Swift fueron આકસ્મિક રીતે બાકાત ધ સ્ટેકનું નિર્માણ કરો. Una revisión manual también encontró solo una respuesta con código સ્વિફ્ટ en aproximadamente diez mil ejemplos de OpenAssistant-Guanaco, con la mayor parte del código Swift que probablemente lelegó mediante rastreos web, a menudo más ruidoso y menos estructurado શું ભંડારોમાં છે.

Esta escasez es importante: las mejoras de UICoder no provinieron de reusar ejemplos de SwiftUI ya vistos. લા મેજોરા વિનો ડેલ 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 version de Swift en tu entorno.

Los autores mantienen que esta metodología podría otros lenguajes y kits de herramientas UI ને લાગુ કરો, ફક્ત SwiftUI નથી. આ સંપૂર્ણ દસ્તાવેજ - "UICoder: ઓટોમેટેડ ફીડબેક દ્વારા યુઝર ઇન્ટરફેસ કોડ જનરેટ કરવા માટે મોટા ભાષા મોડેલ્સને ફાઇન-ટ્યુનિંગ" - છે. ઉપલબ્ધ અને arXiv para quienes quieran profundizar en los detalles y métricas.

આ કામ હવે શરૂ થયું નથી એપલ માટે સ્વિફ્ટયુઆઈ માટે એલ મોડેલો માટે મેયર લાભાર્થીઓ પ્રોવિનો ડી અન bucle de retroalimentación automatizado que escala la calidad de los datos, en lugar de partir de un gran conjunto oculto de código Swift. કોન યુઆઈકોડર 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.