Fugu-MT 論文翻訳(概要): Vision-Guided Iterative Refinement for Frontend Code Generation

論文の概要: Vision-Guided Iterative Refinement for Frontend Code Generation

arxiv url: http://arxiv.org/abs/2604.05839v1
Date: Tue, 07 Apr 2026 13:06:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-08 17:42:09.838969
Title: Vision-Guided Iterative Refinement for Frontend Code Generation
Title（参考訳）: フロントエンドコード生成のためのビジョンガイドによる反復的リファインメント
Abstract要約: 視覚言語モデルは、レンダリングされたWebページに対して構造化されたフィードバックを提供する視覚批評家として機能する。 WebDev Arenaデータセットからの実際のユーザリクエスト全体にわたって、このアプローチはソリューションの品質を一貫した改善をもたらします。ファインチューニングは、トークン数を大幅に増加させることなく、最も優れた批判的ループソリューションから得られる利益の25%を達成している。
参考スコア（独自算出の注目度）: 4.648291359076628
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Code generation with large language models often relies on multi-stage human-in-the-loop refinement, which is effective but very costly - particularly in domains such as frontend web development where the solution quality depends on rendered visual output. We present a fully automated critic-in-the-loop framework in which a vision-language model serves as a visual critic that provides structured feedback on rendered webpages to guide iterative refinement of generated code. Across real-world user requests from the WebDev Arena dataset, this approach yields consistent improvements in solution quality, achieving up to 17.8% increase in performance over three refinement cycles. Next, we investigate parameter-efficient fine-tuning using LoRA to understand whether the improvements provided by the critic can be internalized by the code-generating LLM. Fine-tuning achieves 25% of the gains from the best critic-in-the-loop solution without a significant increase in token counts. Our findings indicate that automated, VLM-based critique of frontend code generation leads to significantly higher quality solutions than can be achieved through a single LLM inference pass, and highlight the importance of iterative refinement for the complex visual outputs associated with web development.
Abstract（参考訳）: 大規模な言語モデルによるコード生成は、多くの場合、マルチステージのヒューマン・イン・ザ・ループの改良に依存します。本稿では、視覚言語モデルが視覚的評論家として機能し、レンダリングされたWebページに対して構造化されたフィードバックを提供することで、生成したコードの反復的洗練を導く、完全に自動化された批判型ループフレームワークを提案する。 WebDev Arenaデータセットからの実際のユーザリクエスト全体にわたって、このアプローチはソリューションの品質を一貫した改善をもたらし、3回のリファインメントサイクルで最大17.8%のパフォーマンス向上を達成する。次に、LoRAを用いたパラメータ効率の微調整について検討し、コード生成LLMにより、批評家による改善が内部化できるかどうかを検証した。ファインチューニングは、トークン数を大幅に増加させることなく、最も優れた批判的ループソリューションから得られる利益の25%を達成している。この結果から,VLM による自動コード生成の批判は,単一の LLM 推論パスで達成できるよりもはるかに高い品質のソリューションをもたらすことが示唆され,Web 開発に関連する複雑な視覚的出力に対する反復的改善の重要性が強調された。

関連論文リスト

Insight-V++: Towards Advanced Long-Chain Visual Reasoning with Multimodal Large Language Models [65.4947731385794]
基礎画像中心モデルであるInsight-Vから進化した統合多エージェント視覚推論フレームワークを提案する。空間的時間的推論を強化し、評価ロバスト性を向上させる2つの新しいアルゴリズムST-GRPOとJ-GRPOを導入する。 LLaVA-NeXTやQwen2.5-VLといったベースモデルの実験は、挑戦的な画像とビデオの推論ベンチマーク間で大きなパフォーマンス向上を示している。
論文参考訳（メタデータ） (2026-03-18T15:28:07Z)
IntroSVG: Learning from Rendering Feedback for Text-to-SVG Generation via an Introspective Generator-Critic Framework [20.964700751378547]
既存のテキスト間SVG生成法では、最終的なレンダリング画像の視覚的認識は組み込まれていない。本稿では,イントロスペクティブSVG生成フレームワーク(IntroSVG)を提案する。提案手法は,いくつかの重要な評価指標にまたがって,最先端の性能を実現する。
論文参考訳（メタデータ） (2026-03-10T07:44:51Z)
MURE: Hierarchical Multi-Resolution Encoding via Vision-Language Models for Visual Document Retrieval [111.99106496142474]
Visual Document Retrieval (VDR)は、微細な視覚的詳細とグローバルな文書構造の両方をキャプチャする表現を必要とする。既存のVDRモデルは、高解像度文書を処理する際に効率と効率のバランスをとるのに苦労する。本稿では,X-VisEmbパラダイムを提案する。X-VisEmbパラダイムは,多分解能サンプリングと符号化から,粒度横断的特徴融合から適応的表現蒸留へと進展する。
論文参考訳（メタデータ） (2026-03-07T15:17:22Z)
ReLook: Vision-Grounded RL with a Multimodal LLM Critic for Agentic Web Coding [35.30369059154906]
ReLookはエージェント的で視覚的な強化学習フレームワークである。エージェントが堅牢な生成-診断-リファインループをクローズする権限を与える。ヴィジュアライズされたフロントエンドコード生成において、一貫して強力なベースラインを上回ります。
論文参考訳（メタデータ） (2025-10-13T15:05:50Z)
RefactorCoderQA: Benchmarking LLMs for Multi-Domain Coding Question Solutions in Cloud and Edge Deployment [20.416910591388618]
本稿では,Large Language Models (LLM) の性能を評価するためのベンチマークであるRefactorCoderQAを紹介する。我々の微調整モデルであるRefactorCoder-MoEは最先端のパフォーマンスを実現し、オープンソースと商用のベースラインを76.84%で上回りました。
論文参考訳（メタデータ） (2025-09-12T17:44:22Z)
Self-Evolving Critique Abilities in Large Language Models [59.861013614500024]
本稿では,Large Language Models (LLM) の批判能力の向上について検討する。 SCRITは、LCMを自己生成データで訓練し、批判能力を進化させるフレームワークである。分析の結果,SCRITの性能はデータやモデルサイズと正の相関関係にあることが明らかとなった。
論文参考訳（メタデータ） (2025-01-10T05:51:52Z)
Fine-Grained Verifiers: Preference Modeling as Next-token Prediction in Vision-Language Alignment [57.0121616203175]
本研究では,視覚言語アライメントを改善するための細粒度検証器として,モデル自身のビジュアルエンコーダを利用する新たな自己アライメント手法であるFiSAOを提案する。ビジョンエンコーダからのトークンレベルのフィードバックを活用することで、FiSAOは視覚言語アライメントを大幅に改善する。
論文参考訳（メタデータ） (2024-10-18T03:34:32Z)
Enhancing Visual-Language Modality Alignment in Large Vision Language Models via Self-Improvement [102.22911097049953]
大規模視覚言語モデル(LVLM)は、視覚的質問応答および推論タスクにおいて印象的な結果を得た。既存の手法は、しばしば外部モデルやデータに依存し、制御不能で不安定なアライメント結果をもたらす。本稿では,外部依存を伴わない視覚的・言語的モダリティアライメントを向上させる自己改善フレームワークSIMAを提案する。
論文参考訳（メタデータ） (2024-05-24T23:09:27Z)
Calibrated Self-Rewarding Vision Language Models [27.686545023186852]
LVLM(Large Vision-Language Models)は、訓練済みの大規模言語モデル(LLM)と視覚モデルを統合することで、指導チューニングを通じて大幅に進歩した。 LVLMは、しばしば幻覚現象を示し、生成されたテキスト応答は言語的に妥当に見えるが、入力画像に矛盾する。本稿では,候補応答を反復的に生成し,各応答に対する報酬を評価し,微調整のための選好データをキュレートすることで,モデルの自己改善を可能にするCalibrated Self-Rewarding(CSR)アプローチを提案する。
論文参考訳（メタデータ） (2024-05-23T14:30:33Z)
Gap-closing Matters: Perceptual Quality Evaluation and Optimization of Low-Light Image Enhancement [55.8106019031768]
低照度画像強調手法の最適化は、エンドユーザーが認識する視覚的品質によって導かれるべきであるという研究コミュニティの見解が高まりつつある。主観的品質と客観的品質を体系的に評価するためのギャップ閉鎖フレームワークを提案する。提案手法の有効性を,画質予測の精度と画像強調の知覚品質の両面から検証する。
論文参考訳（メタデータ） (2023-02-22T15:57:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。