기존 영상 정합 알고리즘은 도메인 이동(domain shift)에 강건하고 낮은 오차를 달성하지만, 느리고 계산 비용이 크다. 딥러닝 방법은 추론 시점에 효율적이지만 도메인 밖(out-of-domain) 샘플에서 어려움을 겪는다. 본 연구는 학습 기반 정합 모델이 예측한 변형(deformation) 필드를 반복적으로 정제하는 알고리즘인 Recursive Uncertainty-Gated Image Registration(RUGI)를 제안한다. 각 반복에서 정합 모델은 증분 변형을 예측하고, 게이팅 맵이 업데이트를 변조한다. 따라서 정제는 정합이 여전히 어려운 영역에 집중된다. 두 가지 게이팅 전략을 탐구한다: 학습된 불확실성 기반 접근법과 영상 잔차 오차 기반 접근법이다. 심장 MRI 및 심초음파(echocardiography) 데이터셋에서 RUGI를 평가한 결과, 단일 단계 추론 대비 일관된 개선을 보였다. ablation 실험은 반복적 정제만으로도 정합이 개선되지만, 정보가 풍부한 공간적 게이팅이 상당한 추가 이득을 제공함을 보여준다. RUGI의 오차 게이팅 변형은 기존 사전학습 모델에도 직접 적용할 수 있으며, VoxelMorph, TransMorph, CycleMorph에 적용하면 원래 학습 절차를 수정하지 않고 MSE를 27–37% 감소시킨다. 정합 성능의 개선은 ground truth 대비 박출분율(ejection fraction) 추정 오차 감소에 반영된다. 이러한 결과는 공간적으로 선택적인 반복적 정제가 추론 시점에 정합 정확도를 개선하는 효과적인 전략임을 보여준다.
가이드 디코딩, 특히 가치 기반(value-guided) 방법은 모델 재학습 없이 언어 모델 출력을 제어하는 비용 효율적인 대안으로 부상했지만, 그 효과는 가치 함수의 정확도에 의해 제한된다. 우리는 이러한 부정확성이 핵심적인 분포 간극(distributional gap)에서 비롯됨을 확인한다: 기존 방법들은 오직 기반 정책(base policy)으로부터 샘플링된 궤적으로만 정적 가치 함수를 학습시키며, 이는 학습을 잠재적 출력 공간의 좁고 차선적인 시각에 가두게 된다. 우리는 이 간극을 좁히기 위해 설계된 진화적 프레임워크인 반복적 가치 정제(Iterative Value Refinement)를 제안한다. 이 프레임워크는 보다 포괄적이고 강건한 학습 신호를 제공하는 가치 탐험(Value Exploration)을 채택하고, 한 반복에서 개선된 가치 함수를 다음 반복을 위한 고품질 데이터 생성에 활용하는 반복적 자기 정제(Iterative Self-Refinement)를 이와 함께 사용한다. 텍스트 요약, 멀티턴 대화, 인스트럭션 수행에 대한 광범위한 실험을 통해 언어 모델 정렬에서 우리 프레임워크의 효과를 입증한다. 우리의 접근법은 정렬을 달성하는 것에 그치지 않고, 효율적이고 효과적인 제어를 위한 원칙적 가치 함수 최적화를 활용함으로써 연산 비용을 크게 절감한다.
대규모 언어 모델(LLM)은 코드 생성에서 탁월한 능력을 보여주었습니다. 그러나 대부분의 기존 평가는 단일 시도 정확도에만 초점을 맞추고 있으며, 실제 프로그래밍의 핵심인 반복적 정제(iterative refinement) 과정을 간과하고 있습니다. 본 연구는 실행 피드백을 통해 자체 코드를 수정하는 LLM의 능력에 대한 체계적인 조사를 제시합니다. 4개의 모델과 2개의 주요 프로그래밍 언어에 걸친 실제 프로그래밍 문제를 사용하여, 본 연구는 LLM이 매 시도 후 컴파일러 오류 메시지와 테스트 케이스 피드백을 받는 반복적 정제(iterative refinement) 프레임워크를 통해 성능을 평가합니다. 본 연구는 코드 실패를 평가하고, 수정 패턴을 분석하며, 추론(reasoning) 모델과 비추론(non-reasoning) 모델의 효과를 비교하기 위한 지표를 도입하여, LLM 기반 코드 생성 시스템에서 피드백 루프의 이해와 실제 적용에 대한 실행 가능한 통찰력을 제공합니다. 결과에 따르면 추론 모델은 반복(iteration) 과정에서 지속적으로 개선되어 피드백 활용 측면에서 비추론 모델을 상당히 앞서는 반면, 구문 및 런타임 오류는 논리적 또는 알고리즘적 실패보다 훨씬 더 해결 가능한 것으로 나타났습니다.
UI-to-Code는 UI 스크린샷을 실행 가능한 프론트엔드 코드로 변환하는 것을 목표로 합니다. 비전-언어 모델(VLMs)의 발전에도 불구하고, 대부분의 기존 방법은 UI-to-Code를 단일 패스 생성(single-pass generation)으로 공식화하여, 본질적으로 반복적이고 피드백 기반인 실제 UI 개발과 불일치합니다. 우리는 UI-to-Code를 대화형 시각 최적화 문제로 재공식화하며, 여기서 코드 생성은 실행, 시각적 검사, 렌더링된 시각적 피드백에 의해 구동되는 반복적 개선(iterative refinement)의 폐루프(closed-loop) 프로세스에 내장됩니다. 시각적 목표 함수의 미분 불가능성과 절대적 시각 평가자의 노이즈를 해결하기 위해, 우리는 실행 피드백 하에서 렌더링된 후보들 간의 상대적 시각적 순위를 최적화하는 선호 기반 강화학습 방법인 Relative Visual Policy Optimization (RVPO)를 제안합니다. 우리는 지속적 사전학습, 지도 미세조정, 강화학습을 통해 학습된 오픈 소스 9B 모델인 UI2Code^N에 이 패러다임을 구현합니다. 실험 결과, UI 초안 작성(UI drafting), UI 다듬기(UI polishing), UI 편집(UI editing) 벤치마크에서 최첨단 성능을 달성했으며, 더 큰 모델보다도 우수한 성능을 보였고, 반복적 시각 최적화를 통해 성능이 지속적으로 향상됨을 입증했습니다. 우리의 코드와 모델은 https://github.com/zai-org/UI2Code_N 에서 확인할 수 있습니다.