Forskere har præsenteret en ny tilgang, der adresserer et grundlæggende problem i AI-drevet UI-til-kode generering: ustabilitet under selvforbedring. Metoden, kaldet RubSE, bruger rubrikker som struktureret visuel kontekst til at styre revisioner, hvilket reducerer risikoen for at rette én fejl og samtidig ødelægge andre dele af grænsefladen. Dette er særligt relevant for virksomheder, der automatiserer frontend-udvikling, hvor pålidelighed er afgørende for at undgå dyre iterationer.
Ifølge den tekniske rapport identificerer forskerne et fænomen kaldet 'visual repair coupling', hvor en lokal kodeændring kan sprede sig gennem layout, stil og komponentafhængigheder, hvilket retter én visuel uoverensstemmelse, men forringer områder, der tidligere var korrekte. RubSE løser dette ved at generere typede kandidat-rubrikker, vælge ét prioriteret reparationsmål og gemme tidligere valgte rubrikker som historik. Dette sikrer, at hver revision er velafgrænset og undgår gentagne eller for brede ændringer.
Evalueringer på seks vision-sprog-modeller og tre benchmarks viser, at RubSE markant overgår naiv selv-evolution i både slut-runde og bedste-runde indstillinger. Metoden opnår mere stabile forbedringsforløb og et højere præstationsloft. Desuden viser analysen, at RubSE afbøder 'trajectory collapse' ved at forbedre genopretning fra alvorlige visuelle regressioner, og at stærkere rubrik-generatorer kan overføre effektiv visuel reparationsvejledning til svagere kode-forbedrere.
For beslutningstagere betyder dette, at AI-værktøjer til UI-generering kan blive mere pålidelige i produktionsmiljøer, hvor gentagne fejl og ustabilitet er en barriere for adoption. Virksomheder, der overvejer at integrere sådanne værktøjer i deres udviklingspipeline, bør holde øje med, hvordan metoder som RubSE modnes, da de kan reducere behovet for manuel korrektion og øge automationsgraden.
