코드는 대규모 언어 모델 (LLM)이 차트, 과학적 도표, 벡터 그래픽, CAD 모델, 3D 장면, 하드웨어 설계와 같은 구조화된 아티팩트 (structured artifacts)를 생성하는 매개체입니다. 이러한 체제에서는 아티팩트의 존재 여부를 결정하는 컴파일러 (compiler), 렌더러 (renderer) 또는 시뮬레이터 (simulator)가 모델에게 보이지 않기 때문에 단일 패스 추론 (single pass inference)은 취약합니다. 우리는 리뷰 (review)를 툴체인 (toolchain)에 기반시키고 이를 두 에이전트의 페어 프로그래밍 (pair programming)으로 구현한 PairCoder를 제시합니다. Driver 에이전트는 프로그램을 작성하고, Navigator 에이전트는 검증 증거(진단, 실행 결과, 그리고 타겟 옆에 놓인 현재 아티팩트의 렌더링)를 바탕으로 이를 검토하며, 오류가 지속되면 두 에이전트는 역할을 교대합니다. 17개의 공개 벤치마크 (benchmarks)와 3개 업체의 7개 모델을 대상으로 테스트한 결과, PairCoder는 단순히 실행 여부뿐만 아니라 전체 공식 메트릭 (metric) 세트에서 아티팩트 검증이 가능한 거의 모든 벤치마크의 성능을 향상시켰습니다 (예를 들어, Blender 장면 실행 가능성은 0.20에서 0.78로 증가하였고, TikZ 컴파일 성공률은 모든 모델에서 10~30포인트 상승했습니다). 비용은 단일 모델 대비 2.9배에서 9.2배 (전체적으로 약 7배) 수준입니다. 이러한 성능 향상은 툴체인이 유익한 오라클 (oracle)을 제공하고 베이스라인 (baseline)에 개선 여지가 있는 경우에 집중되었으며, 오라클이 약한 경우에는 성능이 비슷하거나 약간 하락했습니다. 우리는 페어 프로그래밍을 검증된 코드 기반 생성 (verified code-driven generation)을 위한 신뢰할 수 있는 레시피로 정의합니다.