🤖 AI

The Order Is the Guarantee: Verifier-Budgeted Code Deletion with Static-First Learned Proposals

यह शोधपत्र DELSCOUT को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो सीमित सत्यापन बजट के तहत अनावश्यक कोड को सुरक्षित रूप से हटाने के लिए मॉडल आत्मविश्वास (model confidence) के बजाय कोड विलोपन उम्मीदवारों (code deletion candidates) के क्रम को प्राथमिकता देता है, जो यह प्रदर्शित करता है कि स्टेटिक और लर्नड प्रस्तावों का एक हाइब्रिड शेड्यूल निष्पादन अधिकार (execution authority) के माध्यम से व्यवहार संरक्षण सुनिश्चित करते हुए सत्यापित विलोपन को अधिकतम करता है।

मूल लेखक: Ruitong Li, Binjie Guo, Aisheng Mo, Guowei Su, Han Wang, Jie Li, Ru Zhang

प्रकाशित 2026-08-06

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ruitong Li, Binjie Guo, Aisheng Mo, Guowei Su, Han Wang, Jie Li, Ru Zhang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

पृष्ठभूमि: जब AI बहुत अधिक लिखता है

कल्पना कीजिए कि आप लेगो (LEGO) ईंटों से एक विशाल, जटिल किला बना रहे हैं। अतीत में, आपको हर एक ईंट को अपने हाथों से रखना पड़ता था, जो धीमा और कठिन काम था। अब, कल्पना कीजिए कि एक सुपर-फास्ट रोबोट है जो सेकंडों में पूरे टावर जोड़ सकता है। आधुनिक AI कोडिंग मॉडल यही करते हैं: वे अविश्वसनीय रूप से तेज़ी से काम करने वाले कंप्यूटर प्रोग्राम लिख सकते हैं, जो अक्सर पहेलियों को हल करने में मानव विशेषज्ञों की बराबरी करते हैं या उनसे बेहतर प्रदर्शन करते हैं।

लेकिन यहाँ एक पेच है: सिर्फ इसलिए कि एक रोबोट तेज़ी से किला बना सकता है, इसका मतलब यह नहीं है कि किला व्यवस्थित भी होगा। यदि आप रोबोट से कहें कि "इस दीवार को ठीक करो" या "एक नया दरवाज़ा जोड़ो," तो वह अक्सर पुराने टुकड़ों को हटाने के बजाय पुराने ईंटों के ऊपर ही नए ईंटों का ढेर लगा देता है। समय के साथ, आपका किला अतिरिक्त दरवाजों, डुप्लिकेट दीवारों और छिपे हुए जाल का एक फूला हुआ ढेर बन जाता है जिसकी किसी को ज़रूरत नहीं होती। सॉफ़्टवेयर की दुनिया में, इसे "तकनीकी ऋण" (technical debt) कहा जाता है। यह कोड को पढ़ना, ठीक करना और उस पर भरोसा करना कठिन बना देता है।

यह शोध पत्र मुख्य सवाल का समाधान करता है: हम AI को एक अच्छा बिल्डर बनने के बजाय एक अच्छा एडिटर (संपादक) बनने के लिए कैसे सिखा सकते हैं? हम जानते हैं कि AI को कोड लिखने के लिए कैसे कहना है, लेकिन AI को कोड मिटाने के लिए कहना खतरनाक है। यदि AI गलत हिस्सा मिटा देता है, तो पूरा किला ढह सकता है। चुनौती एक ऐसा तरीका खोजने की है जिससे AI को यह सुझाव देने की अनुमति मिले कि क्या फेंक देना चाहिए, जबकि एक सख्त सुरक्षा प्रणाली यह सुनिश्चित करे कि डिलीशन तभी हो जब वह 100% आश्वस्त हो कि किला अभी भी खड़ा रहेगा।

शोध पत्र: कोड मिटाने के लिए "क्रियाओं का क्रम" (Order of Operations)

इस शोध पत्र के पीछे के शोधकर्ताओं ने, जो अपने सिस्टम को DelScout कहते हैं, महसूस किया कि सुरक्षित कोड डिलीशन का रहस्य केवल इस बारे में नहीं है कि AI कितना "स्मार्ट" है। इसके बजाय, यह इस बारे में है कि AI अपने विचारों की जाँच किस क्रम में करता है।

इसे एक संग्रहालय के सुरक्षा गार्ड की तरह समझें जिसके पास पेंटिंग्स की जालसाजी की जाँच करने के लिए सीमित समय है। गार्ड के पास निरीक्षण के लिए पेंटिंग्स की एक सूची है। यदि वे सबसे संभावित नकली पेंटिंग्स की जाँच पहले करते हैं, तो वे जालसाजी को जल्दी पकड़ सकते हैं। लेकिन यदि वे पहले एक उबाऊ, स्पष्ट रूप से असली पेंटिंग की जाँच करते हैं, तो हो सकता है कि संदिग्ध पेंटिंग तक पहुँचने से पहले ही उनका समय समाप्त हो जाए। शोध पत्र का तर्क है कि कोड मिटाने के लिए, शेड्यूल (जाँचने का क्रम) AI के आत्मविश्वास स्कोर (confidence score) से अधिक महत्वपूर्ण है।

दो रणनीतियाँ: "मिश्रण" और "सुरक्षा जाल"

टीम ने AI के सुझावों को व्यवस्थित करने के दो अलग-अलग तरीकों का परीक्षण किया, जिसमें पाँच जाँचों का एक "बजट" (जैसे पाँच पेंटिंग्स के निरीक्षण के लिए पाँच टिकट होना) का उपयोग किया गया।

"वैलिडेटेड मिश्रण" (The Validated Mixture - एक स्मार्ट बदलाव):
यदि टीम के पास उस विशिष्ट प्रकार के प्रोजेक्ट का डेटा है जिस पर वे काम कर रहे हैं, तो वे एक मिश्रित रणनीति का उपयोग करते हैं। वे पहले तीन जाँचों को "सुरक्षित दांव" (safe bets) के लिए रखते हैं—सरल, स्पष्ट चीजें जैसे अप्रयुक्त इम्पोर्ट्स (unused imports) को हटाना या कोड की छोटी लाइनें जिन्हें एक बुनियादी कंप्यूटर प्रोग्राम यह साबित करने के लिए बेकार मान सकता है कि वे निरर्थक हैं। फिर, वे शेष दो स्लॉट्स का उपयोग AI के "सीखे हुए" सुझावों के लिए करते हैं। ये AI के सबसे अच्छे अनुमान होते हैं कि जटिल, ट्रिकी कोड के बारे में, जिसे एक बुनियादी चेकर नहीं समझ सकता।
- परिणाम: MBPP नामक एक मानक कोडिंग बेंचमार्क पर अपने परीक्षणों में, इस मिश्रण ने उन्हें केवल बुनियादी सुरक्षित जाँचों का उपयोग करने की तुलना में 9.5% अधिक कोड सफलतापूर्वक मिटाने की अनुमति दी। उन्होंने औसतन 6.7 अधिक सफल डिलीशन पाए, बिना किसी अतिरिक्त सुरक्षा जाँच को चलाए।
"प्रिफिक्स-प्रिजर्विंग ऑग्मेंटेशन" (The Prefix-Preserving Augmentation - एक सुरक्षा जाल):
क्या होगा यदि AI किसी बिल्कुल नए प्रकार के प्रोजेक्ट पर काम कर रहा है जहाँ उनके पास भरोसा करने के लिए पिछला डेटा नहीं है? शोधकर्ताओं ने महसूस किया कि "सुरक्षित दांव" को AI के अनुमानों से बदलना जोखिम भरा है। यदि AI गलत अनुमान लगाता है, तो वह उस डिलीशन को मिस कर सकता है जिसे बुनियादी चेकर ढूंढ लेता।
इसलिए, उन्होंने एक "सुरक्षा जाल" नियम डिज़ाइन किया: सुरक्षित दांवों को कभी न छोड़ें। वे सिस्टम को सभी पाँच "सुरक्षित" सुझावों की जाँच करने के लिए मजबूर करते हैं। केवल यदि वे सभी पाँच भी विफल हो जाते हैं, तभी सिस्टम को अपने अतिरिक्त स्लॉट्स का उपयोग करके AI के शानदार अनुमानों की जाँच करने की अनुमति मिलती है।
- गारंटी: यह सुनिश्चित करता है कि सिस्टम कभी भी बुनियादी विधि की तुलना में कम कोड डिलीट नहीं करेगा। यह अधिक डिलीशन पा सकता है, लेकिन यह कभी भी उसे मिस नहीं करेगा जिसे बुनियादी विधि ने पकड़ा था।
- लागत: इसका नुकसान यह है कि यह सुरक्षा जाल कभी-कभी अधिक समय लेता है। परीक्षण के आधार पर, इसके लिए 4.8% से 62.5% अधिक सुरक्षा जाँचों (verifier calls) की आवश्यकता पड़ी क्योंकि सिस्टम को AI के विचारों को आज़माने से पहले पूरी 'सुरक्षित' सूची से गुजरना पड़ा।

शोध पत्र किन बातों को खारिज करता है

लेखकों ने बहुत सावधानी से यह दिखाया कि क्या काम नहीं करता है। उन्होंने सिद्ध किया कि आप केवल यह तय करने के लिए AI के "कॉन्फिडेंस स्कोर" पर भरोसा नहीं कर सकते कि क्या मिटाना है। भले ही AI कहे, "मैं 99% आश्वस्त हूँ कि यह लाइन बेकार है," फिर भी वह गलत हो सकता है यदि परीक्षण वातावरण बदल जाता है।

उन्होंने यह भी दिखाया कि केवल AI को कोड मिटाने में "बेहतर" होने के लिए प्रशिक्षित करना समस्या का समाधान नहीं है। यदि आप सुरक्षा जाल के बिना "सुरक्षित" जाँचों को "AI" जाँचों से बदलते हैं, तो सिस्टम नए, अपरिचित कोड का सामना करने पर वास्तव में बदतर प्रदर्शन कर सकता है। शोध पत्र स्पष्ट रूप से इस विचार को खारिज करता है कि केवल एक स्मार्ट AI मॉडल ही समाधान है; समाधान यह है कि AI और सुरक्षा जाँचें मिलकर कैसे काम करती हैं, इसका ढांचा (structure) ही समाधान है।

निष्कर्ष

शोध पत्र निष्कर्ष निकालता है कि कोडिंग का भविष्य केवल अधिक कोड लिखने के बारे में नहीं है; यह कोड को साफ रखने के बारे में है। सबसे अच्छा दृष्टिकोण श्रम का विभाजन है:

AI एक रचनात्मक खोजकर्ता के रूप में कार्य करता है, जो ट्रिकी, संदर्भ-आधारित डिलीशन का सुझाव देता है जिन्हें इंसान भी मिस कर सकते हैं।
क्रम (Order) एक ट्रैफिक पुलिस की तरह कार्य करता है, यह सुनिश्चित करता है कि AI उबाऊ लेकिन विश्वसनीय सुरक्षा जाँचों के मार्ग को बाधित न करे।
परीक्षण (Tests) अंतिम न्यायाधीश के रूप में कार्य करते हैं, केवल तभी डिलीशन की अनुमति देते हैं जब कोड वास्तव में बिना क्रैश हुए चलता है।

अपने प्रयोगों में, यह पद्धति सॉफ्टवेयर को सुरक्षित रखते हुए अनावश्यक कोड को सफलतापूर्वक हटाया। हालाँकि, लेखक चेतावनी देते हैं कि यह रखरखाव के लिए एक उपकरण है, कोई जादुous छड़ी नहीं। यदि परीक्षण स्वयं कमजोर हैं या कोड कुछ महत्वपूर्ण कार्य करता है जो टेस्ट नहीं किया गया है (जैसे कि सुरक्षा जाँच), तो AI उसे नहीं मिटाना चाहिए। लक्ष्य सॉफ़्टवेयर को लीन (lean) और समझने योग्य बनाए रखना है, यह सुनिश्चित करना कि जैसे-जैसे AI अधिक लिखता है, हमारे डिजिटल किले अप्रयुक्त ईंटों के अनियंत्रित जंगल न बन जाएं।

तकनीकी सारांश: क्रम ही गारंटी है: स्टैटिक-फर्स्ट लर्नड प्रपोजल्स के साथ वेरीफायर-बजटेड कोड डिलीशन

1. समस्या का निरूपण

यह शोध पत्र AI कोडिंग की "इनवर्स प्रॉब्लम" (उलटी समस्या) को संबोधित करता है: नई कोडिंग उत्पन्न करने के बजाय, एक AI सिस्टम को अनावश्यक कोड को कैसे हटाना चाहिए जब निष्पादन-सत्यापन (execution-verification) क्षमता सीमित हो? जबकि फ्रंटियर मॉडल्स बेंचमार्क पास करने वाला कोड जेनरेट कर सकते हैं, "वाइब कोडिंग" (पुनरावृत्ति प्रॉम्प्टिंग और पैचिंग) पुरानी लॉजिक की तुलना में रेडंडेंट ब्रांचों, गार्ड्स और फॉलबैक को तेजी से संचित करती है। यह तकनीकी ऋण (technical debt) पैदा करता है जो इनवेरियंट्स (invariants) को अस्पष्ट करता है और रिव्यू सरफेस को बढ़ाता है।

लेखक रेडंडेंट-कोड रिडक्शन को एक सीमित बजट के तहत प्रपोजल शेड्यूलिंग समस्या के रूप में निरूपित करते हैं।

इनपुट: एक प्रोग्राम $x$ और सिंटैक्टिकली वैध सिंगल-स्टेटमेंट AST डिलीशन कैंडिडेट का एक सेट $C(x)$ ।
प्रतिबंध: एक नियतात्मक वेरीफायर $V$ (एक निष्पादन सूट) केवल सीमित संख्या में कैंडिडेट का मूल्यांकन कर सकता है (एक बजट $m$ )।
लक्ष्य: कैंडिडेट को इस प्रकार क्रमबद्ध करना कि पहला कैंडिडेट $c_j$ जो $V(x \setminus c_j)$ को पास करता है, उसे कमिट किया जाए, जिससे स्वीकृत डिलीशन (कवरेज) और हटाए गए कोड की मात्रा (कैरेक्टर रिडक्शन) को अधिकतम किया जा सके।
मुख्य अंतर्दृष्टि: कैंडिडेट का क्रम (order) वह कंट्रोल सरफेस है जिस पर एक डिप्लॉयमेंट तर्क दे सकता है, न कि मॉडल का कॉन्फिडेंस स्कोर। एक गलत डिलीशन चुपचाप आवश्यक व्यवहार को हटा देता है; इसलिए, निष्पादन सूट के पास वीटो पावर (veto power) होनी चाहिए।

2. कार्यप्रणाली: DelScout

सिस्टम, DelScout, सर्च (कैंडिडेट प्रस्तावित करना) को एक्सेप्टेंस (कैंडिडेट का सत्यापन करना) से अलग करता है। यह दो विषम (heterogeneous) रेंकर्स का उपयोग करता है:

स्टैटिक ऑर्डर्स (Static Orders): नियतात्मक, पैरामीटर-मुक्त रणनीतियाँ।
- शॉर्टेस्ट-फर्स्ट (Shortest-first): स्पैन लेंथ, कैरेक्टर लेंथ और फिर पोजीशन के आधार पर सॉर्ट करता है। यह सिंटैक्टिक अवशेषों (अनयूज्ड इम्पोट्स, असाइनमेंट्स) के लिए प्रभावी है।
- ज़ीरो-रेफरेंस (Zero-reference): उन स्टेटमेंट्स को प्राथमिकता देता है जिनमें आइडेंटिफायर फ़ाइल में सबसे कम बार आते हैं।
लर्नड रेंकर (Learned Ranker): एक सीक्वेंस क्लासिफायर जिसे वेरीफायर परिणामों के आधार पर यह अनुमान लगाने के लिए प्रशिक्षित किया गया है कि क्या एक डिलीशन सुरक्षित है। यह एक प्रॉम्प्ट का उपयोग करता है जिसमें कैंडिडेट का नोड टाइप, टेक्स्ट और कॉन्टेक्स्ट लाइन्स शामिल होती हैं। इसका ट्रेनिंग ऑब्जेक्टिव लिस्टवाइज (listwise) है, जो स्वतंत्र वर्गीकरण के बजाय लिस्ट के सामने के हिस्से में सत्यापित डिलीशन पर रखे गए प्रोबेबिलिटी मास को ऑप्टिमाइज़ करता है।

शेड्यूलिंग रणनीतियाँ

शोध पत्र टारगेट-डोमेन वैलिडेशन डेटा की उपलब्धता के आधार पर, स्टैटिक गारंटियों और लर्नड सर्च के बीच संतुलन बनाने के लिए दो अलग-अलग शेड्यूल प्रस्तावित करता है:

वैलिडेटेड मिक्सचर (जब टारगेट वैलिडेशन मौजूद हो):
- एक निश्चित बजट (जैसे, 5 स्लॉट्स) आवंटित करता है।
- पहले 3 स्लॉट्स को नियतात्मक स्टैटिक कोर ( $S_3$ ) पर खर्च करता है।
- शेष 2 स्लॉट्स को स्टैटिक कोर में नहीं होने वाले उच्चतम-रैंक वाले लर्नड कैंडिडेट पर खर्च करता है।
- तर्क: एम्पिरिकल वैलिडेशन स्टैटिक स्लॉट्स को कवरेज बढ़ाने के लिए लर्नड स्लॉट्स के साथ बदलने की अनुमति देता है।
प्रीफिक्स-प्रिजर्विंग ऑगमेंटेशन (जब टारगेट वैलिडेशन अनुपस्थित हो):
- पहले संपूर्ण स्टैटिक रैंकिंग (उदाहरण के लिए, सभी 5 स्टैटिक स्लॉट्स) का मूल्यांकन करता है।
- लर्नड कैंडिडेट को केवल तभी जोड़ता है जब सभी स्टैटिक कैंडिडेट विफल हो जाते हैं।
- तर्क: यह सुनिश्चित करता है कि एक लर्नड रैंकिंग कभी भी स्टैटिक सफलता को विस्थापित न कर सके। यह निर्माण द्वारा एक नॉन-डिक्रीजिंग कवरेज गारंटी प्रदान करता है, चाहे डिस्ट्रीब्यूशन शिफ्ट कुछ भी हो, हालांकि इसमें अधिक वेरीफायर लागत लग सकती है।

3. मुख्य योगदान

निरूपण: रेडंडेंट-कोड रिडक्शन को एक सीमित निष्पादन-सत्यापन बजट के तहत प्रपोजल शेड्यूलिंग के रूप में परिभाषित किया गया, जो लर्नड सर्च को एक्सेप्टेंस बाउंड्री से स्पष्ट रूप से अलग करता है।
शेड्यूलिंग पॉलिसीज: एक टारगेट-वैलिडेटेड स्टैटिक-लर्नड मिक्सचर और एक प्रीफिक्स-प्रिजर्विंग ऑगमेंटेशन पॉलिसी पेश की गई। बाद वाली नीति बिना किसी कैलिब्रेटेड मॉडल स्कोर के, केवल कैंडिडेट ऑर्डरिंग के माध्यम से नॉन-डिक्रीजिंग कवरेज की गारंटी देती है।
एम्पिरिकल वैलिडेशन: MBPP पर मॉडल स्केल्स (0.5B, 0.6B, 8B) पर नौ पुनरावृत्तियों (replications) की रिपोर्ट की गई। अध्ययन में प्रिविलेज्ड ट्रेनिंग लॉस, बजट अकाउंटिंग, क्रॉस-बेंचमार्क शिफ्ट एनालिसिस और स्ट्रॉन्गर वेरीफायर (MBPP+, HumanEval+) के विरुद्ध परीक्षणों को शामिल करते हुए ऑब्जेक्टिव कंट्रोल्स शामिल हैं।

4. परिणाम

फिक्स्ड-बजेट गेन्स: MBPP पर नौ रन के दौरान, वैलिडेटेड मिक्सचर ने स्टैटिक बेसलाइन की तुलना में वेरिफाइड-डिलीशन कवरेज में 9.5% सापेक्ष सुधार किया (औसतन 6.7 स्वीकृत टास्क की वृद्धि), जबकि इसने थोड़े कम वेरीफायर कॉल्स का उपयोग किया।
पूरकता (Complementarity): यह लाभ आर्किटेक्चरल है, न कि किसी विशिष्ट ट्रेनिंग ऑब्जेक्टिव के कारण। स्टैटिक प्रस्ताव "आसान" सिंटैक्टिक कैंडिडेट (जैसे, अनयूज्ड इम्पोट्स) को कवर करते हैं, जबकि लर्नड प्रस्ताव एक अलग ऑर्डर में योगदान देते हैं, जो कॉन्टेक्स्टुअल कंट्रोल-फ्लो कैंडिडेट (जैसे, कंडीशन्स, एक्सप्रेशंस) पर ध्यान केंद्रित करते हैं जिन्हें स्टैटिक एनालिसिस प्रमाणित नहीं कर सकता है।
दक्षता (Efficiency): प्रति हजार वेरीफायर कॉल्स वेरिफाइड डिलीशन 19.5% बढ़ गए (43.9 से 52.5 तक), क्योंकि सफल प्रस्ताव अक्सर मिश्रित शेड्यूल में पहले दिखाई देते हैं, जिससे खोज जल्दी रुक जाती है।
डिस्ट्रीब्यूशन शिफ्ट: लर्नड-ओनली रैंकिंग शिफ्ट के तहत अविश्वसनीय है (जैसे, MBPP पर प्रशिक्षित होने पर DS-1000 और BigCodeBench-Hard पर प्रदर्शन काफी गिर जाता है)। हालांकि, प्रीफिक्स-प्रिजर्विंग ऑगमेंटेशन ने इन शिफ्टेड बेंचमार्क पर नॉन-डिक्रीजिंग कवरेज को बहाल कर दिया, हालांकि इसमें वेरीफायर कॉल्स में एक मापने योग्य वृद्धि हुई (4.8% से 62.5% तक का ओवरहेड)।
स्ट्रॉन्गर वेरीफायर: जब MBPP+ (एक सख्त इन-डोमेन स्पेसिफिकेशन) के विरुद्ध परीक्षण किया गया, तो मिश्रणों का लाभ समाप्त हो गया; सभी नीतियां समान निम्न कवरेज (6.47%) पर अभिसरित (converge) हुईं। यह दर्शाता है कि शेड्यूलिंग सर्च को नियंत्रित करती है, लेकिन टेस्ट सूट ही यह तय करता है कि "व्यवहार को बनाए रखना" क्या है।

5. महत्व और दावे

यह शोध पत्र तर्क देता है कि AI कोडिंग का अगला मोर्चा केवल काम करने वाले प्रोग्राम जेनरेट करना नहीं है, बल्कि बोधगम्य और न्यूनतम सॉफ्टवेयर बनाए रखना है।

ऑडिटेबल डिवीजन ऑफ लेबर: सिस्टम एक स्पष्ट अलगाव स्थापित करता है जहाँ मॉडल्स हटाने योग्य कोड के लिए सर्च को व्यापक बनाते हैं, क्रम (order) उस नुकसान को सीमित करता है जो एक गलत-रैंक्ड प्रस्ताव कर सकता है, और निष्पादन (execution) प्रत्येक कमिट किए गए डिलीशन पर अधिकार रखता है।
क्रम ही गारंटी है: केंद्रीय दावा यह है कि कैंडिडेट का क्रम, मॉडल कॉन्फिडेंस नहीं, बल्कि नियंत्रणीय चर (controllable variable) है। एक स्टैटिक प्रीफिक्स को संरक्षित करके, सिस्टम यह गारंटी देता है कि लर्नड मॉडल्स वैल्यू जोड़ सकते हैं बिना स्थापित सुरक्षा को घटाए।
सीमाएँ: लेखक स्पष्ट रूप से कहते हैं कि उनकी विधि बेंचमार्क प्रोग्राम्स पर निर्भर करती है, वास्तविक दुनिया के रखरखाव इतिहास पर नहीं, और MBPP पर पूर्ण कवरेज लाभ मामूली हैं (लगは約14% से ~15% तक जाना)। वे इस बात पर जोर देते हैं कि "वेरिफाइड" का अर्थ केवल घोषित ओरेकल द्वारा सत्यापित है; सिस्टम सेमेटिक प्रूफ प्रदान नहीं करता है और इसे मानव समीक्षा या सुरक्षा-महत्वपूर्ण चेकों के स्थान पर नहीं होना चाहिए।

संक्षेप में, DelScout यह प्रदर्शित करता है कि एक अनुशासित शेड्यूलिंग रणनीति—जो नियतात्मक स्टैटिक एनालिसिस को कॉन्टेक्स्ट-सेंसिटिव लर्नड प्रपोजल्स के साथ जोड़ती है—एक वेरीफायर बजट के तहत प्रभावी रूप से AI-जेनरेटेड कोड में तकनीकी ऋण को कम कर सकती है और कठोर सुरक्षा गारंटी बनाए रख सकती है।