論文の概要: Where Did the Variability Go? From Vibe Coding to Product Lines by Regeneration

• arxiv url: http://arxiv.org/abs/2606.19042v1
• Date: Wed, 17 Jun 2026 13:10:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.172596
• Title: Where Did the Variability Go? From Vibe Coding to Product Lines by Regeneration
• Title（参考訳）: 多様性はどこへ行ったか : バイブコーディングから再生による製品ラインへ
• Authors: Xhevahire Tërnava,
• Abstract要約: ビブ符号化C/C++プロジェクトでは,コンパイル時と実行時にほぼゼロの非アーティファクト変数が存在することを示す。 本稿では, LLM が導出エンジンとして機能する最初の製品ラインアプローチについて, VbR (Variability by Regeneration) を提案する。 SPLエンジニアリングでは、AI生成ソフトウェアにおける可変性は、コードではなく仕様に属する。
• 参考スコア（独自算出の注目度）: 0.4264192013842096
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In vibe coding, an emerging AI-driven paradigm, an LLM generates an entire program from a natural language prompt, but what happens to the variability that traditional software engineering carefully builds into code? To answer this question, we conducted an exploratory analysis on 10 vibe coded C/C++ projects, which suggests that there is near-zero in-artifact variability, i.e., at compile and runtime. All variability decisions are resolved at a single new binding time, generation time, the moment the LLM produces the source code. Rather than treating this as a defect to fix, we propose Variability by Regeneration (VbR), to our knowledge the first product-line approach in which the LLM acts as the derivation engine, generating a purpose-built, free of dead code binary for each variant from a declarative specification, while a variant dispatcher transparently routes user requests to the matching binary. We formalise VbR, contrast it with classical SPL derivation, and demonstrate its full pipeline on a wc product family. For SPL engineering, variability in AI-generated software belongs in the specification, not in the code.
• Abstract（参考訳）: AI駆動のパラダイムであるビブコーディングでは、LLMは自然言語のプロンプトからプログラム全体を生成しますが、従来のソフトウェアエンジニアリングが注意深くコードに組み込む変異はどうなるのでしょうか? この質問に答えるために、私たちは10のvibeでコード化されたC/C++プロジェクトで探索分析を行った。 すべての変数決定は、1つの新しいバインディング時間、生成時間、LCMがソースコードを生成する瞬間に解決される。 そこで我々は,LLMが派生エンジンとして機能し,宣言的仕様から各変種に対するデッドコードバイナリを生成せずに,ユーザ要求を一致したバイナリに透過的にルーティングする,最初の製品ラインアプローチについて,これを修正の欠陥として扱うのではなく,リジェネレーションによる可変性(VbR)を提案する。 VbR を定式化し、古典的な SPL の導出と対比し、wc 製品ファミリ上で完全なパイプラインを実演する。 SPLエンジニアリングでは、AI生成ソフトウェアにおける可変性は、コードではなく仕様に属する。

関連論文リスト

• From I/O to Code with Discovery Agent [103.88427301265669]
  IO2Codeの発見エージェントであるDIO-Agentを提案する。 本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。 大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-14T18:57:32Z)
• Environment-Aware Code Generation: How far are We? [52.69113158357018]
  大規模言語モデル(LLM)がユーザの特定の環境に適した実行可能コードを確実に生成できるかどうかは不明である。 本稿では,環境対応コード生成(EACG)の最初の体系的研究について述べる。 その結果,現在のLLMは環境固有のコード生成に苦しむ一方で,環境の適合性や実行性も向上していることがわかった。
  論文  参考訳（メタデータ） (2026-01-18T04:58:15Z)
• Context-Guided Decompilation: A Step Towards Re-executability [50.71992919223209]
  バイナリ逆コンパイルは、ソフトウェアセキュリティ分析、リバースエンジニアリング、マルウェア理解において重要な役割を果たす。 大規模言語モデル (LLMs) の最近の進歩により、ニューラルデコンパイルが可能になったが、生成されたコードは一般的に意味論的にのみ使用可能である。 In-context Learning(ICL)を活用して,再実行可能なソースコードを生成するためのILC4Decompを提案する。
  論文  参考訳（メタデータ） (2025-11-03T17:21:39Z)
• IFEvalCode: Controlled Code Generation [69.28317223249358]
  本稿では,Code LLMの命令追従能力を改善するために,前方および後方制約生成を提案する。 IFEvalCodeは、7つのプログラミング言語の1.6Kテストサンプルからなる多言語ベンチマークである。
  論文  参考訳（メタデータ） (2025-07-30T08:08:48Z)
• Fine-Tuning LLMs for Code Mutation: A New Era of Cyber Threats [0.9208007322096533]
  本稿では,コード変異の文脈におけるLarge Language Modelsの適用について検討する。 伝統的に、ミッションクリティカルなアプリケーションにおいて、ソフトウェアの堅牢性を高めるためにコード突然変異が使われてきた。 事前学習したLLMベースのコードシンセサイザーに適したコード突然変異訓練の新たな定義を提案する。
  論文  参考訳（メタデータ） (2024-10-29T17:43:06Z)
• Galapagos: Automated N-Version Programming with LLMs [6.745049148887976]
  大規模言語モデルを用いたプログラム変種の自動生成を提案する。 プログラムの変種を生成するツールであるGal'apagosを設計、開発、評価する。 我々は現実世界のCコードのN-Versionコンポーネントを作成することでGal'apagosを評価する。
  論文  参考訳（メタデータ） (2024-08-18T16:44:01Z)
• Assured LLM-Based Software Engineering [51.003878077888686]
  この記事では,2024年4月15日にポルトガルのリスボンで開催された International Workshop on Interpretability, Robustness, and Benchmarking in Neural Software Engineering で,Mark Harman 氏による基調講演の内容の概要を紹介する。
  論文  参考訳（メタデータ） (2024-02-06T20:38:46Z)
• Mutation-based Consistency Testing for Evaluating the Code Understanding Capability of LLMs [5.549095839198671]
  大きな言語モデル(LLM)は、自然言語とプログラミング言語の両方を処理する際、顕著な能力を示している。 本稿では,LLMのコード理解性能を評価する新しい手法を提案し,特にコードと記述の微妙な差異に着目した。 演算子置換やステートメント削除など,さまざまなタイプのコード突然変異を適用して,一貫性のないコード記述ペアを生成する。 我々は,現在最先端のコード生成ベンチマークであるHumanEval-Xを用いて,GPT-3.5とGPT-4の2つのLLMのケーススタディを行う。
  論文  参考訳（メタデータ） (2024-01-11T14:27:43Z)

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。