🏗 一行の関数なら書けるAIも、「アプリ一式をゼロから作って」と言われると途端に崩れます。ファイルをまたいだ設計、噛み合うインターフェース、延々と続く不整合のデバッグ——これは個人技ではなく、チーム戦だからです。 そこで本研究は、AIエージェントに本物の開発チームを演じさせます。まず複数のArchitectが互いに異なる設計案（Software Design Sketch）を競って描き、CTO役が構造の妥当さやインターフェースの整合性を0〜8点で採点して最良案を選定。選ばれた設計は、ファイル所有者・公開API・依存関係・非循環性まで機械が検証できる「契約」へと正規化されます。 実装フェーズでは、Developerたちが依存関係の順に沿って自分の担当ファイルだけを、必要最小限の文脈で書いていきます。協調はGitで軽量に。各自がブランチにコミットする際、変更した公開シンボルや影響先を構造化メモに残すので、ファイル本文を共有せずともインターフェースの変更だけが伝播します。仕上げはQA役が依存レイヤーごとにテストを走らせ、失敗を担当者へ差し戻して直させる。まさに人間のチーム開発そのものです。 この CodeTeam: An LLM-Powered Multi-Agent Framework for Repository-Level Code Generation は、本物のpytestで検証するNL2Repo-Benchで平均42.3%のテスト通過率（SFT設定）を達成し、19リポジトリ中15でベースラインのCodeSに勝利しました。構造の良さが、実際に動くコードの正しさへとつながっている点が見どころです。 URL: #CodeGeneration# #AIAgents#

スライドやダッシュボードをAIにコードで作らせると、だいたい「正しいけど残念な見た目」になりがちです。 コード生成モデルはテキストや表の内容を正確に扱えますが、完成形をキャンバス上で確認しながら書いているわけではないため、配色やレイアウトの美しさまでは追いつきません。一方、画像生成モデルは見た目こそ美しいものの、文字を読み間違えたり、編集も検証もできないただの画像を出力してしまいます。 Yale UniversityとMicrosoftの研究チームが発表した論文『AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards』は、この2つのモデルの強みを組み合わせる発想を提案しました。画像生成モデルが同じプロンプトから作った参考画像を「美的ガイダンス」としてコード生成モデルに渡し、実行可否・テキストの正確性・表やチャートの構造・レイアウト・余白といった7種類の報酬信号を、設計グラフという構造化表現に基づいて個別に正規化しながら強化学習(GDPO)で最適化します。 300項目のベンチマークでは、8Bモデルが訓練だけでOverallスコアを42.39から82.94まで(+40.55)引き上げ、32BモデルはGPT-5.5(81.28)やClaude Opus 4.8(80.39)を上回る85.89を達成しました。しかもテキストの正確性(95.34%)やチャート/表の検証精度(90.37%)ではフロンティアモデル群を上回り、見た目の美しさだけでなく内容の正しさも両立しています。 「見た目はいいけど内容が怪しい」か「内容は正しいけど見た目がさみしい」かの二択から抜け出す、実務的に刺さる一手だと感じます。 URL: #コード生成# #デザインAI#