Newest papers

Revision-Based Learning from Interactive Experience and Feedback

Jiawen Li, Chenming Ge, Alice Gao, Rishab Vempati, Yi-Hao Peng, Jason Wu · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26636 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các mô hình tạo mã ngày càng được sử dụng để sản xuất các hiện vật tương tác, chẳng hạn như các trang web và giao diện người dùng. Nhiều thuộc tính xác định xem các giao diện này có hữu ích hay không chỉ trở nên rõ ràng thông qua sự tương tác thực tế, khiến chúng khó tích hợp vào đào tạo mô hình. Trong bài báo này, chúng tôi giới thiệu RELIEF (Học tập dựa trên đánh giá từ trải nghiệm tương tác và phản hồi), một phương pháp để cải thiện các mô hình tạo mã bằng cách sử dụng phản hồi trên giao diện được tạo ra của họ. RELIEF sử dụng một tác nhân mã hóa để sửa đổi các giao diện này, sau đó kết hợp những cải tiến vào các dấu vết sản xuất ban đầu của họ để tạo ra sự giám sát cho việc điều chỉnh tốt. Để đánh giá RELIEF, chúng tôi đã thu thập một tập dữ liệu của 200 mô hình mã hóa

Machine translation (Meta M2M100); the English original follows.

Abstract

Code generation models are increasingly used to produce interactive artifacts, such as websites and user interfaces. Many properties that determine whether these interfaces are useful only become apparent through realistic interaction, making them difficult to incorporate into model training. In this paper, we introduce RELIEF (REvision-based Learning from Interactive Experience and Feedback), a method for improving code generation models using feedback on their generated interfaces. RELIEF uses a coding agent to revise these interfaces, then incorporates the improvements into their original generation traces to produce supervision for fine-tuning. To evaluate RELIEF, we collected a dataset of 200 synthetically generated websites paired with 355 interaction recordings and accompanying feedback from 24 users. We used critiques derived from code inspection, automated interaction, explicit human feedback, and human interaction recordings to fine-tune variants of two code generation models. Our results show that feedback effectiveness varies with base model capabilities, with critiques inferred from human interaction recordings leading to the largest usability improvements overall under our tested models.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Usability, Human–computer interaction, Code (set theory), Coding (social sciences), User experience design

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange