# Истраживачки пројекти

Canonical HTML: https://aogavrilov.com/sr/projects/

Document language: sr

Почните од уочљивог неуспеха, а затим пратите метод, доказе и границу обухвата који му одговарају.

## Бирајте према уоченом отказу

Исти симптом може потицати од репрезентације, генерисања, управљања или провере.

| Уочени проблем | Прва дијагностичка провера | Неопходни докази | Метод |
| --- | --- | --- | --- |
| Декодирани излаз је слаб, али није познато у којој фази настаје отказ | Оценити извор, њему упарену реконструкцију и генерисани излаз истим спољним евалуатором. | Упоредиве расподеле и понашање репова у свакој фази. | [Етапна дијагностика уског грла](https://aogavrilov.com/sr/projects/codec-bottleneck-diagnosis/#workflow) |
| Метрика латентног простора се побољшава, али завршни квалитет не | Проверите да ли се побољшање посредне мере преноси и након декодирања. | Упарене метрике декодованог излаза, а не само дијагностика латентног простора. | [Провера преноса посредством заменске метрике](https://aogavrilov.com/sr/projects/codec-bottleneck-diagnosis/#decision-table) |
| Уређивач кода преписује више од захтеване области | Наведите изричиту границу очувања и измерите разлику изван те области. | Локалност и успешност задатка мере се заједно. | [Вредновање локализованих измена](https://aogavrilov.com/sr/projects/discrete-latent-generation/#measurement) |
| Рефакторисање мора да очува понашање, а не само синтаксу | Раздвојте предлог од извршавања и провере. | Компилација, тестови, статичке провере и откривање рефакторисања. | [Мапа одлучивања за управљачке интерфејсе](https://aogavrilov.com/sr/projects/discrete-latent-generation/#control-surface) |

Активни правац

## Дискретно латентно генерисање

Дискретне репрезентације за селективно поновно генерисање кода, уз избор заснован на доказима између ограниченог генерисања, рефакторисања уз помоћ вештачке интелигенције и предвидљивог уређивања кода.

Водич за евалуацију

## Дијагностиковање уског грла кодека

Метод по фазама за утврђивање да ли је квалитет декодираног текста ограничен реконструкцијом, генерисањем латентних кодова или посредном мером која се не преноси на завршни текст.

## Циљани одговори

Самосталне белешке о доказима за шире претраге које не полазе од наслова рада. Свака упућује на одговарајућу публикацију и цео текст.

1. [Маскирана дифузија у простору кодова наспрам простора токена: како их упоредити](https://aogavrilov.com/sr/research-notes/code-space-vs-token-space-masked-diffusion/) Протокол поређења доследан фазама за маскиране дифузионе језичке моделе у простору кодова и простору токена када дискретни кодек уноси губитке.
2. [Локализована измена кода помоћу генеративних модела](https://aogavrilov.com/sr/research-notes/localized-code-modification-generative-models/) Како спречити непотребно преписивање целе функције, а генеративном моделу оставити довољно слободе да изврши тражену измену кода.
3. [Ограничено генерисање кода за софтверско инжењерство](https://aogavrilov.com/sr/research-notes/constrained-code-generation-software-engineering/) Практично разграничење граматичких ограничења, ограничења типова, граница очувања и провера прихватљивости генерисаног кода на нивоу понашања.
4. [Рефакторисање уз помоћ вештачке интелигенције: методи и докази](https://aogavrilov.com/sr/research-notes/ai-assisted-refactoring-evidence/) Како вредновати новије методе рефакторисања уз подршку вештачке интелигенције, а да се уверљива генерисана закрпа не поистовети са потврђеним очувањем понашања.
5. [Предвидљиво генерисање кода захтева уговор о очувању](https://aogavrilov.com/sr/research-notes/predictable-code-generation-preservation-contract/) Зашто детерминистичко узорковање није довољно и како уочљива заштићена својства и провере прихватљивости омогућавају испитивање понашања при генерисању кода.

## Истраживачка питања на која овај сајт може да одговори

Отворите практично питање да бисте добили сажет одговор, а затим пратите везу ка доказима ради увида у методе, мерења и ограничења. То су путокази кроз истраживање, а не универзалне гаранције.

1. Како генеративни модел може да измени код а да не препише целу функцију? Пре генерисања одредите границу области која се може уређивати, очувајте или поново употребите изворни код изван ње, генеришите само предложене измене и одбаците излазе који не испуњавају задатак или мењају заштићене области. Хијерархијско закључавање латентних репрезентација јесте један експериментални управљачки интерфејс, али не гарантује идентичне распоне изворног кода. [Упоредите управљачке интерфејсе за локализовано уређивање](https://aogavrilov.com/sr/projects/discrete-latent-generation/#control-surface) .
2. Који докази показују да је измена кода локална, а не само синтаксички ваљана? Разлику изван захтеване области мерити заједно са успешношћу задатка, променом у области дозвољеној за уређивање, структурним инваријантама, тестовима или статичким проверама и варијабилношћу поновљених извршавања. Сама стопа успешног рашчлањивања утврђује искључиво синтаксичку исправност. [Прегледајте контролну листу доказа о локалности](https://aogavrilov.com/sr/projects/discrete-latent-generation/#measurement) .
3. Како треба уравнотежити локалност измене кода и разноврсност генерисања? Приказати стабилност заштићене области заједно са слободом у области која се може уређивати и јединственошћу кандидата. Копирање улаза може максимизовати стабилност без икаквог напретка у задатку, док неограничена прерада може максимизовати промену уз нарушавање локалности. [Погледајте ограничене доказе о стабилности и слободи измена](https://aogavrilov.com/sr/projects/discrete-latent-generation/#evidence) .
4. По чему се разликују локализовано уређивање кода, ограничено генерисање и поправка програма? Локализовано уређивање наглашава оно што мора остати непромењено, ограничено генерисање намеће формално својство излаза, попут припадности граматици, док поправка програма захтева да измена задовољи спецификацију дефекта или задатка. Сама синтакса не доказује семантичку еквивалентност, функционалну исправност, успешност задатка нити локалност. [Упоредите три циља](https://aogavrilov.com/sr/projects/discrete-latent-generation/#comparison) .
5. Како се одабрани делови функције у језику Python могу поново генерисати тако да остатак остане стабилан? Пре генерисања одредите заштићене области и области које се могу уређивати, мењајте само репрезентацију подложну уређивању, декодирајте и одбаците кандидате који мењају заштићени код или не задовољавају синтаксу, тестове, статичке провере или инваријанте специфичне за задатак. Приказани експеримент с хијерархијским латентним репрезентацијама мери вероватносну стабилност на функцијама од 64 токена; он не гарантује непромењене распоне нити понашање. [Размотрите поступак селективног поновног генерисања](https://aogavrilov.com/sr/projects/discrete-latent-generation/#workflow) .
6. Која стратегија управљања одговара рефакторисању уз помоћ вештачке интелигенције и очување понашања? Моделом идентификујте или предложите трансформацију, а затим је, кад год је могуће, извршите поузданим механизмом за рефакторисање и проверите компилацију, тестове, статичке провере и намеравано рефакторисање. Уверљиво генерисана закрпа није довољан доказ. [Отвори ред са одлуком о рефакторисању](https://aogavrilov.com/sr/projects/discrete-latent-generation/#control-surface) .
7. Шта генерисање кода чини предвидљивим, а не само управљивим? Пре избора генератора формулишите уочљив уговор о очувању и провере прихватљивости. Предвидљивост зависи од онога што остаје стабилно после декодирања и провере, а не само од тога да ли су промпт, маска, граматика или латентни код били фиксирани. [Дефинишите уговор о очувању](https://aogavrilov.com/sr/projects/discrete-latent-generation/#core-idea) .
8. Какав је у приказаном експерименту са текстом био однос маскиране дифузије у простору кодова и у простору токена? Према истом спољном оцењивачу, медијана перплексије MDLM-а у простору кодова износила је 26.55, наспрам 38.42 за полазни модел у простору токена, што представља смањење од 30.9%. Медијана реконструкције кодеком већ је износила 27.36, па се резултат мора тумачити заједно са уским грлом реконструкције. [Размотрите приказане бројчане резултате по фазама](https://aogavrilov.com/sr/projects/codec-bottleneck-diagnosis/#code-space-vs-token-space) .
9. Како треба поредити маскирану дискретну дифузију у простору кодова и у простору токена када кодек уноси губитке? Користите исте издвојене узорке и исти оцењивач декодираног текста за оригинале, реконструкције кодеком, излазе у простору токена и излазе у простору кодова. Разлику насталу при реконструкцији прикажите засебно, јер снажнији латентни генератор не може повратити информације које је кодек већ уклонио. [Упоредите фазе помоћу истог оцењивача](https://aogavrilov.com/sr/projects/codec-bottleneck-diagnosis/#code-space-vs-token-space) .
10. Како се може дијагностиковати губитак квалитета у двостепеном генератору текста? Помоћу истог, непромењеног оцењивача декодованог текста најпре измерити јаз између оригинала и реконструкције, а затим јаз између реконструкције и генерисаног резултата. Тако се горња граница квалитета коју намеће кодек раздваја од додатног погоршања насталог латентним генерисањем. [Пратите дијагностички поступак са четири контролне тачке](https://aogavrilov.com/sr/projects/codec-bottleneck-diagnosis/#workflow) .
11. Када боље метрике латентног простора не доводе до побољшања декодираног излаза? Посредна мера у латентном простору може се побољшати а да не прати циљно својство у каснијој фази. Пренос треба испитати декодирањем упарених излаза и њиховим оцењивањем истим завршним метрикама; у супротном, геометрија или искоришћеност кодне књиге остају дијагностички доказ, а не побољшање квалитета текста. [Примените дијагностику преноса посредних показатеља](https://aogavrilov.com/sr/projects/codec-bottleneck-diagnosis/#decision-table) .

## Два ограничена пресека доказа

Ови бројеви показују шта је мерено; они нису универзалне гаранције својстава модела.

### Дијагностика компресије

У једној поставци TinyStories са компресијом 64-на-16, медијана перплексије порасла је са **15.17** за изворни текст на **27.36** после реконструкције. MDLM у простору кодова достигао је **26.55** наспрам **38.42** за полазну вредност у простору токена при истом спољном оцењивачу.

### Контрола уређивања подложна провери

У једној поставци са функцијама у језику Python дужине 64 токена, закључавање четири кода највишег нивоа повећало је стопу успешног рашчлањивања са **0.453** до **0.591** , док су се откључане позиције мењале по стопи од **0.936** а условни узорци су остали **0.998** јединствен.

## Шта се овом мапом не тврди

Објављени експерименти не утврђују тачно очување AST-а, семантичку еквивалентност, функционалну исправност, поправку на нивоу репозиторијума нити универзални поредак уских грла кодека и генератора. Водичи претварају ограничене доказе у поновљиво употребљиве дијагностичке поступке; сваки нови систем и даље захтева сопствену валидацију декодираног излаза и понашања.