論文の概要: Vibe Coding: Practice, Performance, Productivity, and Risk -A State-of-the-Art Review
- arxiv url: http://arxiv.org/abs/2608.20446v1
- Date: Thu, 20 Aug 2026 16:10:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.10633
- Title: Vibe Coding: Practice, Performance, Productivity, and Risk -A State-of-the-Art Review
- Title（参考訳）: Vibe Coding: 実践,パフォーマンス,生産性,リスク - 最先端のレビュー
- Abstract要約: 最先端のレビューでは、ソフトウェア工学、人間とコンピュータの相互作用、労働経済学、セキュリティ研究、ガバナンス、教育にまたがる学際的コーパスにまたがる証拠がまとめられている。
モデルランドスケープ、ツールエコシステム、タスクタイプによるパフォーマンス記録を調査し、初期ベンチマークは飽和しているがタスクレベルの能力は不均一である。
デプロイされたアプリケーションのセキュリティ上の障害、大規模コードと開発者テレメトリで見えるコード品質の劣化、未解決の著作権暴露、スキル萎縮の証拠を文書化します。
- 参考スコア（独自算出の注目度）: 5.061021429555365
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vibe coding - AI-assisted software development in which the developer describes intent in natural language and validates results by running rather than reading the generated code - was named by Andrej Karpathy in February 2025 and produced its first body of empirical evidence within seventeen months. This state-of-the-art review assembles that evidence across a cross-disciplinary corpus spanning software engineering, human-computer interaction, labour economics, security research, governance, and education. We survey the model landscape, the tool ecosystem, and the performance record by task type, finding the early benchmarks saturated but task-level capability uneven: reliable code generation alongside weak fault detection and hard-to-audit documentation. The productivity record is at first contradictory: peer-reviewed field experiments report +26% more tasks per week, independent randomised trials measure a 19% slowdown, and team-level telemetry shows code-review time up +441%. We argue these readings are consistent once measurement method, scope, and time horizon are held constant, and identify six patterns behind the dispersion, among them effect-shrinkage under broader measurement, self-report diverging from independent measurement, output volume conflated with productivity, and bold claims walked back once tested over longer horizons. We further document security failures in deployed applications, code-quality degradation visible in large-scale code and developer telemetry, unsettled copyright exposure, and evidence of skill atrophy. The review closes with the open research questions and one falsifiable conjecture: that the gains are real on new code and shrink or reverse on mature codebases, which would account for most of the disagreement in the record.
- Abstract（参考訳）: Vibe code - 開発者が自然言語で意図を記述し、生成されたコードではなく実行によって結果を検証するAI支援型ソフトウェア開発 - 2025年2月にAndrej Karpathy氏によって命名され、17ヶ月以内に最初の実証的な証拠が生み出された。
この最先端のレビューは、ソフトウェア工学、人間とコンピュータの相互作用、労働経済学、セキュリティ研究、ガバナンス、教育にまたがる学際的コーパスにまたがる証拠をまとめたものです。
モデルランドスケープ、ツールエコシステム、タスクタイプによるパフォーマンス記録を調査し、初期ベンチマークが飽和しているがタスクレベルの能力が不均一であることを発見した。
ピアレビューされたフィールド実験では、週に26%以上のタスクが報告され、独立したランダム化トライアルでは19%のスローダウンが測定され、チームレベルのテレメトリではコードレビュータイムが+441%増加した。
これらの読み出しは, 測定方法, スコープ, 時間地平線が一定に保たれれば一貫したものであり, 分散の背後にある6つのパターンを同定する。
デプロイされたアプリケーションのセキュリティ上の障害、大規模コードや開発者テレメトリで見えるコード品質の劣化、未解決の著作権暴露、スキル萎縮の証拠についてさらに文書化します。
このレビューは、オープンな研究の疑問と、新しいコードで得られる利益が本物であり、成熟したコードベースで縮小または逆になるという推測に終止符を打つ。
関連論文リスト
- From Matching Models to Recruiting Agents: A Systematized Narrative Review of AI Recruitment Systems, Evaluation, and Governance [1.436449142247059]
このレビューは、ニューラル・パーソナリティ・マッチングによる双方向の検索と行動ランキングから発展を辿る。
類似性から相互適合性、モデルから複合ワークフロー、オフライン予測からエビデンスと生産性に整合した評価という3つの組み合わせの遷移を分析した。
評価証拠から最強の証明可能なクレームへのステージマッピングと,相互性,エビデンス,時間的制御,選択的,監査可能なシステムに関するアジェンダを導入する。
論文 参考訳（メタデータ） (2026-09-03T08:46:03Z) - Vibe Coding in Software Development: A Multivocal Literature Review [2.1794203097646125]
ビブコーディング(Vibe coding)は、開発者が自然言語への意図を述べ、大きな言語モデルがコードを生成するソフトウェア開発のプラクティスである。
我々の知る限り、既存のレビューは、バイブコーディングに関するピアレビューとグレーの文献をまだ統合していない。
これは、ピアレビューとグレーの文献を単一の文書化されたプロトコルでビブコーディングに統合した最初のレビューの1つである。
論文 参考訳（メタデータ） (2026-07-22T17:43:41Z) - Latent Programming Horizons in Coding Agents [6.8463578914435645]
ソフトウェアエンジニアリングタスクを解決するコーディングエージェントは、コードの推論、編集、テストの実行に数十ステップを費やしている。
符号化エージェントによる言語モデルの残余ストリームは、進化するプログラムの特性を線形にエンコードすることを示す。
将来の編集結果を予測するために訓練されたプローブは、パフォーマンスを最大25ステップまで向上させる。
論文 参考訳（メタデータ） (2026-07-06T15:08:26Z) - AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。
我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。
障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
論文 参考訳（メタデータ） (2026-05-18T17:08:26Z) - Beyond Isolated Tasks: A Framework for Evaluating Coding Agents on Sequential Software Evolution [5.10403054516716]
既存のデータセットは、分離された単一のプルリクエスト(PR)タスクのパフォーマンスをステートレスな方法で評価する。
本稿では,SWE-STEPSのデータセット生成を支援する自動コーディングタスク生成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-03T13:44:40Z) - Taming Imperfect Process Verifiers: A Sampling Perspective on Backtracking [54.43083499412643]
言語モデルの生成能力をプロセス検証器と組み合わせたテストタイムアルゴリズムは、新しい推論能力を引き出すための有望なレバーを提供する。
提案手法は, 理論的に根拠付きバックトラックを用いて, 検証誤差に対して, 確実な堅牢性を実現するための新しいプロセス誘導型テスト時間サンプリングアルゴリズムであるVGBを導入する。
論文 参考訳（メタデータ） (2025-10-03T16:21:14Z) - CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。
また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
論文 参考訳（メタデータ） (2025-08-28T06:03:11Z) - DeputyDev -- AI Powered Developer Assistant: Breaking the Code Review Logjam through Contextual AI to Boost Developer Productivity [38.585498338645856]
本研究は,AddicateDevの実装と有効性について検討する。
ViceDevはAIを利用したコードレビューアシスタントで、ソフトウェア開発プロセスの非効率性に対処するために開発された。
論文 参考訳（メタデータ） (2025-08-13T10:09:45Z) - Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。
実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
論文 参考訳（メタデータ） (2025-05-28T17:57:47Z) - Codev-Bench: How Do LLMs Understand Developer-Centric Code Completion? [60.84912551069379]
Code-Development Benchmark (Codev-Bench)は、細粒度で現実世界、リポジトリレベル、開発者中心の評価フレームワークです。
Codev-Agentは、リポジトリのクローリングを自動化し、実行環境を構築し、既存のユニットテストから動的呼び出しチェーンを抽出し、データ漏洩を避けるために新しいテストサンプルを生成するエージェントベースのシステムである。
論文 参考訳（メタデータ） (2024-10-02T09:11:10Z) - Generation Probabilities Are Not Enough: Uncertainty Highlighting in AI Code Completions [54.55334589363247]
本研究では,不確実性に関する情報を伝達することで,プログラマがより迅速かつ正確にコードを生成することができるかどうかを検討する。
トークンのハイライトは、編集される可能性が最も高いので、タスクの完了が早くなり、よりターゲットを絞った編集が可能になることがわかりました。
論文 参考訳（メタデータ） (2023-02-14T18:43:34Z)
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。