ПРОВЕРКА РЕЗУЛЬТАТОВ ПРИМЕНЕНИЯ ГЕНЕРАТИВНОГО ИИ В МОБИЛЬНОЙ РАЗРАБОТКЕ
Аннотация: рассматривается применение генеративного искусственного интеллекта при создании и сопровождении мобильных приложений. Цель работы - установить, какие результаты выбранных исследований характеризуют выполнение задач инструментом и какие дополнительные проверки необходимы для приёмки изменения в проекте. Выполнен целевой поиск литературы за 2023-2026 годы, сопоставлены семь эмпирических работ, из которых одна посвящена Swift как языку программирования. Обзор и исследовательская дорожная карта использованы для позиционирования работы, документация бенчмарка - для обсуждения методики оценки. Предложена сравнительная схема «задача - измеряемый результат - граница вывода - дополнительная проверка». Различаются результат модели, совместная работа человека с инструментом и результат команды. Пример миграции Objective-C в Swift используется как иллюстрация, а не как независимое измерение эффекта. Синтез показывает необходимость соотносить критерий успешности с единицей задачи и учитывать проверку и исправления при оценке производительности. Предлагаемая схема не прошла отдельной эмпирической валидации, выводы ограничены составом корпуса и условиями исходных исследований.
Ключевые слова: генеративный искусственный интеллект, мобильная разработка, большая языковая модель, генерация кода, проверка программного обеспечения, производительность разработчика.
https://doi.org/10.68367/33473
Введение. Исследования применения генеративного ИИ в мобильной разработке рассматривают разные результаты: приложение по спецификации, экран, изменение в репозитории или данные для тестирования [4, 5, 8, 9, 11]. Даже если каждый результат называется успешным, основания для такой оценки различаются. Компиляция подтверждает выполнение требований сборки, оценка изображения — свойства представления, выполнение функциональных тестов — поведение в проверенных сценариях.
Для разработчика существенен следующий вопрос: какие из этих свидетельств достаточны для конкретного решения об интеграции? Цель статьи — сопоставить задачи, метрики и ограничения выбранных исследований и на этой основе сформулировать требования к проверке результатов применения генеративного ИИ. Основной исследовательский вопрос: какие задачи мобильной разработки поддерживают генеративные инструменты и какие проверки необходимы, чтобы оценить пригодность полученного результата? Он раскрывается через три вопроса: что непосредственно измеряет исследование, какой вывод выходит за пределы измерения, какие дополнительные свидетельства нужны для принятия результата в проекте.
Рассмотрение ограничено инструментами разработки Android-, iOS- и кроссплатформенных приложений. Дополнительно включено исследование генерации Swift-кода, поскольку оно позволяет обсудить языковую специфику оценки. Встраивание моделей в пользовательские функции приложения не является предметом обзора. Результат работы — сравнительная схема, помогающая связать опубликованную метрику с инженерным решением и пределами его обоснования.
Она предназначена для разработчиков и технических руководителей, оценивающих применение ИИ в проекте. В работе не устанавливается универсальная величина ускорения и не предлагается рейтинг моделей. Связь с существующими обзорами. Hou и соавт. [6] систематизируют применение больших языковых моделей (LLM) в программной инженерии, включая задачи и метрики оценки.
Следовательно, сама необходимость выбирать метрику под задачу уже обсуждается в литературе. Дорожная карта Chen и соавт. [3] охватывает мобильную экосистему и выделяет разработку и анализ приложений как одно из направлений. Настоящая работа имеет более узкую практическую цель: на выбранных мобильных задачах проследить переход от измеренного результата к решению о его использовании. Вклад работы состоит в сопоставлении единиц задачи и способов проверки, на основании которого предложена схема оценки изменения перед интеграцией в проект.
Подход к отбору и анализу источников. Поиск и границы корпуса. Целевой веб-поиск выполнен 5–6 и 10–11 октября 2026 года с переходом к первоисточникам. Рабочий период публикаций — 2023–2026 годы, верхняя дата поиска — 11 октября 2026 года.
Запросы сочетали обозначения LLM и AI-assisted development с Android, iOS, Swift, mobile development, benchmark, empirical study, productivity и survey. Открывались материалы arXiv, авторских и конференционных сайтов, Android Developers и корпоративного блога. Поиск непосредственно во всех библиографических базах и полная выгрузка выдачи не проводились. В основной корпус включались работы с доступным полным текстом, описанием задачи и методики оценки, относящиеся к созданию, тестированию или сопровождению мобильного ПО.
SwiftEval включён как смежное языковое исследование, его результаты не трактуются как оценка всей iOS-разработки. Исключались материалы только о внедрении LLM в функции приложений, новости вместо доступного первоисточника, рекламные утверждения без методики и дубликаты версий одной работы. Номер использованной версии фиксировался, показатели разных версий не смешивались. В эмпирическом корпусе семь работ [4, 5, 7, 8, 9, 10, 11].
Для них использованы конкретные версии авторских рукописей arXiv, наличие такой версии само по себе не подтверждает рецензирование. Для SwiftEval дополнительно найдена запись программы FORGE 2025. Техническая методика Android Bench [2] рассматривается отдельно от исследовательских статей, обзор [6] и дорожная карта [3] — отдельно от эмпирических результатов. Профессиональная публикация о миграции [1] имеет иллюстративную роль.
Извлечение и сопоставление. По каждой эмпирической работе извлекались платформа, единица задачи, участие человека, условия получения контекста, способ проверки, измеряемый результат и ограничения. Читались релевантные разделы методики, результатов и ограничений, эксперименты не воспроизводились. Для обзора [6] изучены вопросы исследования и раздел о метриках, для [3] — введение и раздел о разработке и анализе приложений.
Численные результаты разных исследований не объединялись. Для синтеза использована последовательность: определить единицу задачи, установить, какая проверка лежит в основе метрики, отделить подтверждённое свойство от непроверенного, сформулировать дополнительную проверку для инженерного применения. Последний шаг представляет рекомендацию автора, а не результат исходного эксперимента. Общий числовой балл качества исследования не рассчитывался: ограничения дизайна описывались содержательно.
Работа выполнена в жанре аналитического обзора с целевым отбором источников, ограничения поиска рассмотрены в разделе обсуждения. Применение ИИ на этапах мобильной разработки. Создание кода и интерфейсов. В AppForge [8] генерация Android-приложения по спецификации проверяется отдельно по сборке, функциональным тестам и сбоям.
В табл. 1 работы [8] для GPT-5-High доля приложений, прошедших все функциональные тесты, составляет 14,85% при первой генерации и 18,81% после обратной связи об ошибках компиляции. Эти результаты относятся к данному протоколу и моделям, а не ко всем современным средствам разработки. Для сопоставления результатов существенно, что успешная сборка ещё не устанавливает функциональную корректность. UICoder [11] рассматривает более узкую задачу: генерацию SwiftUI-интерфейсов по описаниям.
На 200 описаниях оцениваются сборка, соответствие изображения описанию и предпочтения экспертов. Авторы прямо отмечают, что оценивание скриншотов ограничивает выводы об интерактивном поведении, а качество кода отдельно не измерялось. Поэтому такую работу следует использовать для обсуждения генерации представления, а не готовности всего приложения к эксплуатации. Практический вывод настоящего обзора — соотносить проверку с обещанным результатом.
Если инструмент создаёт экран, необходимо определить, принимается ли только его внешний вид или также навигация, обработка действий и состояний. SwiftEval [7] дополняет анализ языковой спецификой. Его 28 вручную подготовленных задач проверяют Swift-код, включая использование протоколов и обобщённых типов. Оценка основана на компиляции и тестах, исследование не измеряет разработку полноценного iOS-приложения.
Авторы выявили проблемы в Swift-частях переводных бенчмарков. Для настоящего обзора это основание проверять пригодность самого набора заданий: результат на другом языке или на переводных задачах нельзя автоматически считать оценкой способности работать с целевой платформой. Малый набор задач и отсутствие оценки безопасности ограничивают выводы [7]. Тестирование.
Cui и соавт. [4] исследуют генерацию текстовых данных для Android-интерфейсов. В табл. 3 работы [4] кумулятивная доля успешных переходов со страницы за три попытки составляет 71,4% при извлечённом текстовом контексте, 71,0% при XML и 65,1% при изображении экрана. Это показатель прохождения страницы, а не доля обнаруженных дефектов. Авторы отдельно рассматривают поиск ошибок и предупреждают, что эти метрики не охватывают всю функциональность или безопасность приложения.
Из этого различия следует требование к практической оценке: заранее определить цель тестовой генерации. Данные для прохождения корректного сценария и данные, предназначенные для обнаружения ошибки, должны оцениваться по соответствующим критериям. Увеличение числа выполненных действий само по себе не подтверждает улучшения проверки продукта. Исправление ошибок и сопровождение.
MobileDev-Bench [5] проверяет решение задач существующих Android- и кроссплатформенных проектов. В работе сопоставлены автоматический поиск файлов и предоставление эталонного набора файлов. Использован однопроходный процесс исправления, нативные iOS-проекты не входят в корпус. Успех зависит от проверок репозитория, полнота которых ограничивает оценку.
Поэтому низкую успешность данного протокола нельзя выдавать за предел возможностей интерактивной работы разработчика с агентом. SWE-Bench Mobile [9] расширяет рассмотрение до задач существующего iOS-проекта на Swift и Objective-C. Бенчмарк включает 50 задач из одного промышленного репозитория. Проверки анализируют текст изменений с помощью pytest, без компиляции и запуска приложения.
Поэтому масштаб репозитория и глубину проверки следует рассматривать раздельно: наличие требуемых изменений в коде ещё предстоит сопоставить с поведением приложения при выполнении. Для сопровождения важно определить объём проверяемого изменения: одного метода может быть недостаточно, если задача требует согласования конфигурации и ресурсов. В предлагаемой схеме обзора такие зависимости входят в описание задачи и критериев приёмки. Это позволяет обсуждать применение ИИ на уровне изменения проекта, не сводя его к генерации текста программы.
Методика Android Bench [2] рассматривается отдельно как технический материал поставщика платформы. Она описывает агентское выполнение задач и предупреждает, что низкая стоимость или малая длительность выполнения могут быть следствием раннего завершения неуспешных попыток. Отсюда дополнительное условие сравнения: расходы нужно интерпретировать совместно с долей успешно решённых задач. Временные затраты агента не являются измерением труда разработчика.
Таблица лидеров и её текущие значения в настоящем обзоре не используются. Производительность, качество и роль разработчика. Прямые данные о работе людей представлены в исследовании Vasiliniuc и Groza [10]: 16 участников выполняли задания для адаптации в команде и смены платформы, использовались Swift с ChatGPT-4 и Kotlin с Copilot. Для адаптации в команде и смены платформы авторы сообщили о сокращении времени на 35% и 45% соответственно.
Однако в задачах адаптации средний результат тестов был ниже с ИИ: 3,54 против 3,83 из пяти. Это различие показывает необходимость рассматривать скорость и корректность отдельно. В описании эксперимента указаны 16 участников, тогда как в разделе с опросом — 18 респондентов, эти числа относятся к разным частям отчёта и здесь не отождествляются. При интерпретации результатов этой работы существенен порядок выполнения: сначала выполнялся набор без ИИ, затем другой набор с ИИ, кроме того, условия различались доступными источниками.
Возможны эффекты порядка и различий заданий. Инструмент связан с языком, поэтому сравнение Swift и Kotlin не отделяет влияние платформы от влияния инструмента. Небольшая выборка одной компании и инструменты 2023 года ограничивают обобщение. Для оценки производительности предлагается различать три уровня.
Первый — результат модели: удалось ли получить код или тестовые данные, отвечающие заданным критериям. Второй — результат совместной работы: сколько времени потратил разработчик с учётом чтения, проверки и исправлений. Третий — результат команды: как изменились сроки поставки, затраты на сопровождение и дефекты после выпуска. Доказательство на одном уровне не является автоматическим доказательством на другом.
Практическая роль разработчика в предлагаемой схеме включает постановку критериев результата, проверку соответствия задаче и решение об интеграции. Для оценки этих действий требуется учитывать затраты на проверку и исправления наряду со временем генерации. Сравнительная схема оценки. Таблица 1.
Связывает свидетельства из источников с предложенными проверками. Последний столбец содержит рекомендации настоящего обзора. Эти рекомендации дополняют проверки исходных исследований с учётом задач конкретного проекта. Таблица 1.
Результаты исследований и дополнительные проверки перед интеграцией. Сопоставление позволяет сформулировать следующие положения. Во-первых, область проверки должна соответствовать области обещанного результата. Для экрана, функции и изменения репозитория требуются разные свидетельства.
Во-вторых, техническая успешность зависит от протокола: доступного контекста, бюджета попыток и проверяющих тестов. В-третьих, вывод о производительности требует данных о работе человека, которых бенчмарк автономного решения сам по себе не предоставляет. Применение схемы при принятии изменения. Практическое применение начинается с краткой записи: что меняется, какое поведение ожидается и чем оно проверяется.
Затем для результата ИИ фиксируются выполненные проверки, обнаруженные несоответствия и непроверенные условия. Решение о принятии должно относиться к этой области проверки. Например, успешная компиляция изменения экрана является основанием продолжить функциональную проверку, но сама по себе не отвечает на вопрос о корректности навигации. Для оценки затрат предлагается учитывать время постановки задачи и подготовки контекста, взаимодействия с инструментом, проверки, исправления и интеграции.
При параллельной работе активное время человека и календарную длительность необходимо фиксировать отдельно. Сравнение имеет смысл при сопоставимых задачах и одинаковых критериях приёмки, неуспешные попытки также входят в наблюдение. Этот порядок учёта — предложение для будущей проверки в командах, а не выполненное в настоящей работе измерение. Пример из практики.
Пример миграции иллюстрирует проверку изменений существующей системы. Я участвовал в этой работе, сведения о личном опыте отделены от результатов исследований. Миграция Objective-C в Swift. В публикации о миграции кода Яндекс Браузера с Objective-C на Swift описан процесс с использованием LLM [1].
Генерация связана с проверками сборки, тестами и ревью. В частности, для недостаточно покрытых модулей авторы описывают создание и интеграцию тестов до миграции. Пример иллюстрирует необходимость сопоставлять новый код с ожидаемым поведением существующей системы. В ходе этой работы я запускал Cursor с последовательностью промптов, наблюдал за результатами и исправлял конфликты.
Здесь используется публичное описание процесса, внутренние материалы не воспроизводятся. Обсуждение и ограничения. Сопоставление работ поддерживает вывод о необходимости различать результат инструмента и пригодность изменения для проекта. Этот вывод согласуется с существующей литературой о разнообразии задач и метрик [6].
Прикладное содержание настоящего обзора состоит в явной связи между единицей мобильной задачи, свидетельством успешности и дополнительной проверкой перед интеграцией. Предложенная схема требует независимой оценки полезности, в частности, пока не установлено, помогает ли её использование находить больше дефектов или сокращать затраты на ревью. В корпусе представлены iOS-задачи уровня языка, интерфейса и репозитория. Однако переход к репозиторию сам по себе не обеспечивает проверку приложения во время выполнения: это видно на примере SWE-Bench Mobile [9].
Результаты Android- и кроссплатформенных проектов также требуют проверки применимости к целевой iOS-среде. Изменения модели, инструмента, контекста и бюджета попыток могут менять результат. Поэтому приведённые показатели характеризуют условия опубликованных испытаний, а не возможности всех инструментов на дату подготовки статьи. Поиск был целевым и не исчерпывающим, независимый отбор отсутствовал.
Работа опирается преимущественно на зафиксированные версии авторских рукописей arXiv, выводы относятся к этим версиям, а не к возможным последующим редакциям. Документация поставщика может изменяться и имеет иной статус, чем исследовательская статья. Практический пример миграции связан с моим участием, поэтому имеет иллюстративный характер и не используется как независимое подтверждение эффективности схемы. Внутренние материалы проекта и количественные оценки ускорения из практического примера в синтез не включены.
Корпус не даёт достаточного основания для оценки долгосрочной сопровождаемости, отраслевого экономического эффекта или изменений занятости. Безопасность, доступность и энергопотребление также нельзя считать подтверждёнными, если соответствующие свойства не проверялись. Отсутствие таких данных в выбранных работах не означает отсутствия исследований этих вопросов вообще. Заключение.
В выбранных работах генеративный ИИ применяется для создания приложений и интерфейсов, генерации тестового ввода, исправления проектов и помощи разработчикам в выполнении заданий. Различия между задачами требуют различать и основания успешности: проверку текста изменений, компиляцию, визуальную оценку, прохождение сценариев и время человека. Предложенная сравнительная схема связывает измеряемый результат с границей вывода и дополнительной проверкой для проекта. Она позволяет сформулировать, что известно о результате и что остаётся проверить перед его принятием.
Практический пример миграции иллюстрирует применение этого подхода, но не подтверждает его эффективность. Универсальный прирост производительности по рассмотренным данным установить нельзя. Следующий исследовательский шаг — независимая оценка схемы на реальных изменениях с учётом времени проверки, исправлений и последующих дефектов.
Полная версия статьи PDF
Номер журнала «Вестник науки» № 10 (103) том 3
Ссылка для цитирования:
ПРОВЕРКА РЕЗУЛЬТАТОВ ПРИМЕНЕНИЯ ГЕНЕРАТИВНОГО ИИ В МОБИЛЬНОЙ РАЗРАБОТКЕ // Журнал «Вестник науки» от 18 октября 2026 г. № 10 (103) том 3. С. 884 - 897. 2026 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/33473 (дата обращения: 07.11.2026 г.)
Альтернативная ссылка латинскими символами: vestnik-nauki.com/article/33473
Нашли грубую ошибку (плагиат, фальсифицированные данные или иные нарушения научно-издательской этики) ?
- напишите письмо в редакцию журнала: zhurnal@vestnik-nauki.com
