arXiv:2510.03843 cs.SE

Smart Paste: Automatically Fixing Copy/Paste for Google Developers

제출 2025-10-04

한국어 초록

붙여넣은 코드를 수동으로 편집하는 것은 오랫동안 개발자에게 큰 고충이 되어 왔습니다. Google의 내부 소프트웨어 개발 환경을 살펴보면, 코드는 수동으로 입력되는 횟수보다 4배 더 자주 붙여넣어집니다. 이러한 붙여넣기 작업은 간단한 재서식 지정과 이름 변경부터 더 복잡한 스타일 조정과 언어 간 번역에 이르기까지 다양한 후속 편집을 자주 필요로 합니다. 선행 연구는 딥러닝이 이러한 편집을 예측하는 데 사용될 수 있음을 보여주었습니다. 본 연구에서는 붙여넣기 이후 편집 제안을 위한 IDE 기능인 Smart Paste를 Google의 개발 환경에 맞게 반복적으로 개발하고 확장하는 방법을 제시합니다. 이 경험은 사용자 경험, 시스템 통합, 모델 역량을 포괄하는 기능 개발의 총체적 접근법에 대해 AI 실무자들에게 지침이 될 수 있습니다. 배포 이후 Smart Paste는 45%의 수용률과 함께 압도적으로 긍정적인 피드백을 받았습니다. Google의 기업 규모에서, 이렇게 채택된 제안은 회사 전체에서 작성되는 모든 코드의 1%를 상당히 상회하는 비중을 차지합니다.

요약

대규모 소프트웨어 개발 환경에서 코드 붙여넣기는 단순한 입력 보조가 아니라, 이후의 편집 비용을 크게 좌우하는 중요한 작업이며, Google 내부 관찰에 따르면 코드 붙여넣기는 수동 타이핑보다 약 4배 더 자주 발생합니다. 이러한 상황에서 Smart Paste는 붙여넣기 직후 필요한 수정, 즉 재서식 지정, 이름 변경, 스타일 조정, 나아가 언어 간 변환까지 자동으로 제안하는 통합 개발 환경(Integrated Development Environment, IDE) 기능으로 제안됩니다. 핵심 방법론은 실제 개발자 행동에서 발생한 붙여넣기와 후속 편집을 로그로 복원하여 학습 데이터를 만들고, 수정이 필요한 경우와 아무 수정도 필요하지 않은 경우를 함께 다루도록 문제를 재정의하는 데 있습니다. 저자들은 파일 스냅샷과 편집 델타를 이용해 붙여넣기 이벤트와 관련 편집을 짝지었으며, 약 7백만 개가 넘는 24개 언어의 고품질 예제를 정제해 다언어 학습의 기반을 마련했습니다. 특히 후속 편집이 전혀 없는 붙여넣기 사례를 별도 예제로 포함함으로써, 모델이 언제 제안을 내야 하는지뿐 아니라 언제 아무 것도 하지 말아야 하는지도 배우도록 설계한 점이 인상적입니다. 모델 측면에서 Smart Paste는 언어별로 분리된 시스템이 아니라 하나의 통합 모델을 채택하고, 소형 Gemini 계열의 코드 사전학습 모델을 미세조정하여 unidiff 형식의 편집 출력을 생성하도록 구성됩니다. 입력은 붙여넣기 구간과 그 주변 문맥을 포함하며, 4096 토큰 예산 안에서 유용한 prefix와 suffix를 탐욕적으로 선택해 실시간 응답성과 문맥 활용 사이의 균형을 맞춥니다. 또한 학습 배치에는 약 30%의 no-edit 예제를 섞어 과잉 제안을 억제했고, 멀티언어 혼합 학습을 통해 Python 전용 모델보다 더 넓은 일반화 성능을 확보했습니다. 실제로 멀티언어 학습은 정확 일치(Exact Match)를 45.1%에서 49.0%로 끌어올려, 다양한 코드 도메인에 대한 포괄적 학습이 실용적 이득으로 이어짐을 보여 주었습니다. 추론 단계에서는 초기의 확률 임계값 필터를 점차 제거할 정도로 모델 신뢰도를 높였고, 이는 학습 성능 향상이 배포 정책의 단순화로도 연결될 수 있음을 시사합니다. 이 기능의 완성도는 모델만으로 결정되지 않았으며, 사용자 경험과 시스템 통합이 함께 설계되었다는 점이 이 논문의 중요한 기여입니다. 제안은 인라인 차이점(diff) 형태로 표시되어 개발자가 삽입, 삭제, 변경을 직관적으로 확인할 수 있게 했고, 2초 이상 제안을 유지하면 비타이핑 상황에서 수용률이 의미 있게 상승하는 등 인터페이스 설계가 실제 채택에 직접적인 영향을 주었습니다. 더 나아가 저지연 서빙을 위해 2:1 prefill:decode 비율의 분리형 추론 구조를 적용하여, IDE 내 상호작용의 흐름을 해치지 않도록 했습니다. 이러한 전체적 접근 덕분에 Smart Paste는 배포 후 45%의 수용률을 기록했으며, 수용된 제안은 회사 전체 코드 작성량의 1%를 넘는 비중을 차지했습니다. 결국 이 연구는 붙여넣기 후 편집이라는 일상적이지만 반복적인 문제를 데이터, 모델, 인터페이스, 서빙을 아우르는 제품형 인공지능으로 해결할 수 있음을 보여 주며, 실사용 환경에서의 AI 기능 개발이 어떤 방식으로 성과를 만들어내는지 잘 제시합니다.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

공통 태그로 연결된 공개 논문이 아직 없습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.