تحلیل کیفیت کدهای تولیدشده توسط مدلهای زبانی بزرگ متنباز در پروژههای React : مطالعه مقایسهای CodeLlama و DeepSeek Coder

با گسترش مدلهای زبانی بزرگ (LLMs) ، استفاده از آنها در تولید کدهای خودکار در کتابخانه های مانند React.js رواج یافته است. مدل های متنباز CodeLlama و DeepSeek Coder V۲ به عنوان دو مدل برجسته در این حوزه، قابلیتهایی برای تولید کد فرانتاند ارائه می دهند، اما کیفیت خروجی آنها نیازمند بررسی دقیق است. در این پژوهش، پنج وظیفه متداول در توسعه React شامل ساخت دکمه تعاملی، فرم ثبت نام، لیست جستجوشونده، پنجره مودال و فراخوانی API انتخاب و هر دو مدل با استفاده از Ollama به صورت آفلا ین آزمایش شدند. سپس کدهای تولیدی بر اساس معیارهایی چون درستی نحوی، دقت معنایی، پیروی از بهترین شیوههای React ، خوانایی و نرخ خطا مورد ارزیابی قرار گرفتند. نتایج نشان داد که DeepSeek Coder V۲ عملکرد بهتری در تولید کدهای ساخت یافته، خوانا و منطبق با استانداردهای React دارد. در مقابل، CodeLlama گرچه در برخی وظایف ساده عملکرد قابل قبولی داشت، اما در سناریوهای پیچیده تر با چالش هایی مواجه بود. این مطالعه با ارائه تحلیلی مقایسهای، دید روشنی نسبت به تواناییهای فعلی مدلهای متنباز در تولید کد React فراهم می کند و می تواند راهگشای انتخاب مدل مناسبتر برای توسعهدهندگان و پژوهشگران باشد.

کلیدواژه ها:

مدلهای زبانی بزرگ ، تولید خودکار کد ، React ، DeepSeek Coder ، CodeLlama