대규모 언어 모델(LLM)을 활용한 자동 코드 생성의 발전에도 불구하고, 본 논문은 기존의 단일 단계 번역 방식의 한계를 지적하고, 요구사항 분석, 상태 머신 모델링, 의사 코드와 같은 중간 산출물을 통합하는 라이프사이클 기반 프레임워크를 제안합니다. 이 프레임워크는 훈련 및 추론 단계에서 표준 소프트웨어 개발 단계를 따르며, 코드 정확도를 최대 75% 향상시켰습니다. 특히, 오픈 소스 LLM을 이 프레임워크로 미세 조정했을 때 코드에 사전 훈련된 모델과 유사하거나 약간 더 나은 성능을 보였습니다.
