論文の概要: MulFCoder: Framework-conditioned Multi-agent for MLLM-based Multi-framework Front-end Code Generation

• arxiv url: http://arxiv.org/abs/2610.34418v1
• Date: Sun, 25 Oct 2026 16:17:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.611608
• Title: MulFCoder: Framework-conditioned Multi-agent for MLLM-based Multi-framework Front-end Code Generation
• Title（参考訳）: MulFCoder:MLLMベースのマルチフレームワークフロントエンドコード生成のためのフレームワーク条件付きマルチエージェント
• Abstract要約: MulFCoderはフレームワーク条件のマルチエージェントメソッドで、フレームワーク制約を符号化し、決定可能なルール空間に違いをもたらす。 実験によると、MulFCoderはコンパイルの成功率を大幅に改善し、フレームワーク固有のエラーを減らす。
• 参考スコア（独自算出の注目度）: 10.184211474383629
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating runnable front-end code from UI screenshots is a long-standing goal in automated software engineering. Existing MLLM-based methods predominantly focused on HTML/CSS, leaving multi-framework generation for React/Vue/Angular underexplored. Naively modifying prompts leads to substantial performance gaps across multi-framework and highly framework-specific error modes. To address this, we propose MulFCoder, a framework-conditioned multi-agent method that explicitly encodes framework constraints to bring multi-framework differences into a decidable rule space. MulFCoder orchestrates four agents: Grounder constructs an ElementTable, ContentTable, and macro-layout regions from detected UI elements; Planner builds a DOM-like hierarchical layout tree, produces a task schedule, and derives a framework-specific file Contract; Writer generates structured file writes or patches within a restricted edit window; Judger enforces lightweight, framework-conditioned constraints to accept or reject updates and trigger bounded repairs, preventing drift and deadlocks without expensive builds. Experiments demonstrate that MulFCoder substantially improves compilation success rate and reduces framework-specific errors, with particularly pronounced gains on Angular.
• Abstract（参考訳）: UIスクリーンショットから実行可能なフロントエンドコードを生成することは、ソフトウェアエンジニアリングの自動化における長年の目標である。 既存のMLLMベースのメソッドは主にHTML/CSSに重点を置いており、React/Vue/Angularのマルチフレームワーク生成は過小評価されている。 ネイティブな変更プロンプトは、マルチフレームワークとフレームワーク固有のエラーモード間で、大幅なパフォーマンスのギャップをもたらす。 そこで本研究では,フレームワークに制約を明示的にエンコードし,マルチフレームワークの違いを決定可能なルール空間に含めるフレームワーク条件付きマルチエージェント手法であるMulFCoderを提案する。 Grounderは検出されたUI要素からElementTable、ContentTable、マクロレイアウト領域を構成する。 PlannerはDOMのような階層的なレイアウトツリーを構築し、タスクスケジュールを生成し、フレームワーク固有のファイルを生成する Contract;Writerは制限された編集ウィンドウ内で構造化されたファイルの書き込みやパッチを生成する。 実験によると、MulFCoderはコンパイルの成功率を大幅に改善し、フレームワーク固有のエラーを減らす。

関連論文リスト

• PRISMR: Overcoming Parse Collapse in Multimodal Listwise Ranking via Parameterized Representation Internalization [49.659739762240655]
  LMM(Large Multimodal Models)を用いたジェネレーティブ・リストワイド・ランキングは,グローバル・リストのコンテキストを単一の前方通過で捉えることを目的としている。 自動回帰デコーダは、無音で候補を省略し、早期に終了することで、流動的で不完全なランク付けを発生させる。 PRISMRは、一貫したコンテキスト内リスト処理をパラメトリックな構造条件に置き換えるフレームワークである。
  論文  参考訳（メタデータ） (2026-06-11T06:09:51Z)
• Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
  RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。 複数の多様な実装設計を生成することで、線形パッチから切り離される。 NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
  論文  参考訳（メタデータ） (2026-03-02T12:50:40Z)
• Theory of Code Space: Do Code Agents Understand Software Architecture? [0.0]
  コードエージェントは、分離されたタスクで優れているが、アーキテクチャの理解を必要とするマルチファイルソフトウェアエンジニアリングと苦労する。 エージェントがAI探索中に一貫性のあるアーキテクチャの信念を構築し、維持し、更新できるかどうかを評価するベンチマークである、コード空間の理論(ToCS)を紹介する。
  論文  参考訳（メタデータ） (2026-02-28T11:40:17Z)
• ROMA: Recursive Open Meta-Agent Framework for Long-Horizon Multi-Agent Systems [25.131570054560353]
  現在のエージェントフレームワークは、ロングホライゾンタスクでパフォーマンスが低い。 これらの制限に対処するドメインに依存しないフレームワークであるROMAを紹介します。 ROMAとGEPA+が組み合わさって、推論と長文生成のベンチマークにおいて、システムレベルの主要な性能を提供することを示す。
  論文  参考訳（メタデータ） (2026-02-02T09:20:59Z)
• MiLDEdit: Reasoning-Based Multi-Layer Design Document Editing [67.28337411397062]
  マルチレイヤ文書編集エージェント(MiLDEAgent)について紹介する。 MiLDEAgentは、レイヤワイドな理解のためのRLトレーニングされたマルチモーダル推論と、ターゲットとする修正のためのイメージエディタを組み合わせた推論ベースのフレームワークである。 MiLDEAgentは強力なレイヤ認識推論と正確な編集を実現し、すべてのオープンソースベースラインを著しく上回り、クローズドソースモデルに匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-08T04:38:07Z)
• Modular Layout Synthesis (MLS): Front-end Code via Structure Normalization and Constrained Generation [18.154715745625328]
  フロントエンドエンジニアリングの自動化は、開発サイクルを大幅に削減し、手動によるコーディングオーバーヘッドを最小化する。 現在のソリューションは、ReactやVue、Angularといった現代的なエコシステムをサポートしない、モノリシックなスクリプトを生成することが多い。 本稿では,視覚的理解と構造正規化を融合した階層型フレームワークであるMLSを紹介する。 MLSは既存のベースラインを大幅に上回り、コードの再利用性と複数のフレームワーク間の構造的整合性を確保する。
  論文  参考訳（メタデータ） (2025-12-22T03:24:11Z)
• ULLME: A Unified Framework for Large Language Model Embeddings with Generation-Augmented Learning [72.90823351726374]
  我々は,LLM間の双方向の注目を可能にする,柔軟でプラグアンドプレイな実装であるLULME(Unified framework for Large Language Model Embedding)を紹介した。 また,テキスト埋め込みタスクのLLMを向上する新しい微調整手法であるGRL(Generation-augmented Representation Learning)を提案する。 フレームワークの柔軟性と有効性を示すために、異なるバックボーンアーキテクチャを持つULLMEから事前訓練された3つのモデルをリリースする。
  論文  参考訳（メタデータ） (2024-08-06T18:53:54Z)
• AdaShield: Safeguarding Multimodal Large Language Models from Structure-based Attack via Adaptive Shield Prompting [54.931241667414184]
  textbfAdaptive textbfShield Promptingを提案する。これは、MLLMを構造ベースのジェイルブレイク攻撃から守るための防御プロンプトで入力をプリペイドする。 我々の手法は、構造に基づくジェイルブレイク攻撃に対するMLLMの堅牢性を一貫して改善することができる。
  論文  参考訳（メタデータ） (2024-03-14T15:57:13Z)
• LAVENDER: Unifying Video-Language Understanding as Masked Language Modeling [102.42424022921243]
  Masked Language Modeling (MLM) は、すべての事前学習および下流タスクの共通インターフェースとして使用される。 実験により、この統合フレームワークは14のVidLベンチマークで競合性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-06-14T20:43:25Z)

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。