Tham gia các bản tin hàng ngày và hàng tuần của chúng tôi để cập nhật mới nhất và nội dung độc quyền về bảo hiểm AI hàng đầu trong ngành. Tìm hiểu thêm
Qodomột nền tảng chất lượng mã điều khiển AI trước đây được gọi là Codium, đã công bố phát hành QODO-EMBED-1-15BMột mô hình nhúng mã nguồn mở mới cung cấp hiệu suất hiện đại trong khi nhỏ hơn đáng kể và hiệu quả hơn so với các giải pháp cạnh tranh.
Được thiết kế để tăng cường tìm kiếm mã, truy xuất và hiểu biết, mô hình tham số 1,5 tỷ đạt được kết quả hàng đầu về điểm chuẩn công nghiệp, vượt trội so với các mô hình lớn hơn từ OpenAI và Salesforce.
Đối với các nhóm phát triển doanh nghiệp quản lý các cơ sở mã rộng lớn và phức tạp, sự đổi mới của Qodo thể hiện một bước tiến trong quy trình công việc kỹ thuật phần mềm điều khiển AI. Bằng cách cho phép truy xuất mã chính xác và hiệu quả hơn, QODO-EMBED-1-1.5B giải quyết một thách thức quan trọng trong sự phát triển hỗ trợ AI: Nhận thức bối cảnh trong các hệ thống phần mềm quy mô lớn.
Tại sao mã nhúng mô hình quan trọng đối với AI doanh nghiệp
Theo truyền thống, các giải pháp mã hóa được hỗ trợ bởi AI đã tập trung vào việc tạo mã, với các mô hình ngôn ngữ lớn (LLM) thu hút sự chú ý cho khả năng viết mã mới của họ.
Tuy nhiên, như Itamar Friedman, CEO và đồng sáng lập của Qodo, đã giải thích trong một cuộc phỏng vấn cuộc gọi video vào đầu tuần này: Phần mềm Enterprise Enterprise có thể có hàng chục triệu, nếu không phải là hàng trăm triệu dòng mã. Chỉ riêng việc tạo mã không đủ, bạn cần đảm bảo mã có chất lượng cao, hoạt động chính xác và tích hợp với phần còn lại của hệ thống.
Các mô hình nhúng mã đóng một vai trò quan trọng trong sự phát triển AI-ASTERED bằng cách cho phép các hệ thống tìm kiếm và truy xuất các đoạn mã có liên quan một cách hiệu quả. Điều này đặc biệt quan trọng đối với các tổ chức lớn nơi các dự án phần mềm trải rộng hàng triệu dòng mã trên nhiều nhóm, kho lưu trữ và ngôn ngữ lập trình.
Bối cảnh là Vua cho bất cứ điều gì ngay bây giờ liên quan đến việc xây dựng phần mềm với các mô hình, ông Fr Friedman nói. Cụ thể, để tìm nạp bối cảnh phù hợp từ một cơ sở mã thực sự lớn, bạn phải trải qua một số cơ chế tìm kiếm.
QODO-Embed-1-1.5b cung cấp hiệu suất và hiệu quả
QODO-EMBED-1-1.5B nổi bật về sự cân bằng hiệu quả và độ chính xác của nó. Trong khi nhiều mô hình hiện đại dựa vào hàng tỷ tham số của các tham số của Openai, E-3-3-lớn có 7 tỷ, ví dụ như mô hình của QODO đạt được kết quả vượt trội chỉ với 1,5 tỷ tham số.
Trên điểm chuẩn truy xuất thông tin mã (xơ cứng), một bài kiểm tra tiêu chuẩn ngành để truy xuất mã trên nhiều ngôn ngữ và nhiệm vụ, QODO-EMBEB-1-1.5B đã đạt 70,06, vượt trội so với Salesforce-EMBedding-2_R (67.41).
Mức độ hiệu suất này là rất quan trọng đối với các doanh nghiệp tìm kiếm các giải pháp AI hiệu quả về chi phí. Với khả năng chạy trên GPU chi phí thấp, mô hình này giúp truy xuất mã tiên tiến có thể truy cập được cho một loạt các nhóm phát triển hơn, giảm chi phí cơ sở hạ tầng trong khi cải thiện chất lượng và năng suất phần mềm.
Giải quyết sự phức tạp, sắc thái và tính đặc hiệu của các đoạn mã khác nhau
Một trong những thách thức lớn nhất trong phát triển phần mềm do AI cung cấp là mã trông tương tự có thể có các chức năng rất khác nhau. Friedman minh họa điều này với một ví dụ đơn giản nhưng có tác động:
Một trong những thách thức lớn nhất trong việc nhúng mã là hai chức năng gần như giống hệt nhau như 'Rút tiền' và 'Tiền gửi' chỉ có thể khác nhau bởi một dấu hiệu cộng hoặc trừ. Họ cần phải ở gần trong không gian vector nhưng cũng rõ ràng khác biệt.
Một vấn đề quan trọng trong các mô hình nhúng là đảm bảo rằng mã khác biệt về mặt chức năng không được nhóm không chính xác với nhau, điều này có thể gây ra các lỗi phần mềm lớn. Bạn cần một mô hình nhúng hiểu rõ mã đủ để tìm nạp đúng bối cảnh mà không mang lại các chức năng tương tự nhưng không chính xác, điều này có thể gây ra các vấn đề nghiêm trọng.
Để giải quyết vấn đề này, QODO đã phát triển một phương pháp đào tạo độc đáo, kết hợp dữ liệu tổng hợp chất lượng cao với các mẫu mã trong thế giới thực. Mô hình được đào tạo để nhận ra sự khác biệt về sắc thái trong mã tương tự về chức năng, đảm bảo rằng khi một nhà phát triển tìm kiếm mã có liên quan, hệ thống sẽ truy xuất kết quả đúng không chỉ là những kết quả tương tự.
Friedman lưu ý rằng quá trình đào tạo này đã được tinh chỉnh với sự hợp tác của NVIDIA và AWS, cả hai đều đang viết blog kỹ thuật về phương pháp của QoDo. Chúng tôi đã thu thập một bộ dữ liệu độc đáo mô phỏng các thuộc tính tinh tế của phát triển phần mềm và tinh chỉnh một mô hình để nhận ra những sắc thái đó. Đó là lý do tại sao mô hình của chúng tôi vượt trội hơn các mô hình nhúng chung cho mã.
Hỗ trợ ngôn ngữ đa lập trình và kế hoạch mở rộng trong tương lai
Mô hình QODO-EMBED-1,5B đã được tối ưu hóa cho 10 ngôn ngữ lập trình được sử dụng phổ biến nhất, bao gồm Python, JavaScript và Java, với sự hỗ trợ bổ sung cho một đuôi dài của các ngôn ngữ và khung khác.
Các lần lặp trong tương lai của mô hình sẽ mở rộng trên nền tảng này, cung cấp tích hợp sâu hơn với các công cụ phát triển doanh nghiệp và hỗ trợ ngôn ngữ bổ sung.
Nhiều mô hình nhúng đấu tranh để phân biệt giữa các ngôn ngữ lập trình, đôi khi trộn lẫn các đoạn trích từ các ngôn ngữ khác nhau, theo ông Fr Friedman. Chúng tôi đã đào tạo cụ thể mô hình của mình để ngăn chặn điều đó, tập trung vào 10 ngôn ngữ hàng đầu được sử dụng trong phát triển doanh nghiệp.
Tùy chọn triển khai doanh nghiệp và tận dụng
Qodo đang làm cho mô hình mới của nó có thể truy cập rộng rãi thông qua nhiều kênh.
Phiên bản tham số 1.5B có sẵn trên Face Face theo giấy phép OpenRail ++-M, cho phép các nhà phát triển tích hợp nó vào quy trình công việc của họ một cách tự do. Các doanh nghiệp cần các khả năng bổ sung có thể truy cập các phiên bản lớn hơn theo cấp phép thương mại.
Đối với các công ty tìm kiếm một giải pháp được quản lý đầy đủ, QoDo cung cấp một nền tảng cấp doanh nghiệp tự động hóa các bản cập nhật khi phát triển cơ sở mã phát triển. Điều này giải quyết một thách thức quan trọng trong phát triển điều khiển AI: đảm bảo rằng các mô hình tìm kiếm và truy xuất vẫn chính xác khi mã thay đổi theo thời gian.
Friedman coi đây là một bước tự nhiên trong nhiệm vụ của Qodo. Chúng tôi đang phát hành Qodo nhúng một bước đầu tiên. Mục tiêu của chúng tôi là liên tục cải thiện trên ba chiều chính xác, hỗ trợ cho nhiều ngôn ngữ hơn và xử lý tốt hơn các khung và thư viện cụ thể.
Ngoài Facing Face, mô hình cũng sẽ có sẵn thông qua nền tảng NIM của NVIDIA và AWS Sagemaker JumpStart, giúp các doanh nghiệp triển khai và tích hợp vào môi trường phát triển hiện tại của họ.
Tương lai của AI trong phần mềm doanh nghiệp Dev
Các công cụ mã hóa được hỗ trợ AI đang phát triển nhanh chóng, nhưng trọng tâm đang chuyển vượt ra ngoài việc tạo mã sang sự hiểu biết mã, truy xuất và đảm bảo chất lượng. Khi các doanh nghiệp chuyển sang tích hợp AI sâu hơn vào các quy trình kỹ thuật phần mềm của họ, các công cụ như Qodo-EMBEB-1-1.5B sẽ đóng một vai trò quan trọng trong việc làm cho các hệ thống AI trở nên đáng tin cậy, hiệu quả và hiệu quả hơn về chi phí.
Nếu bạn là nhà phát triển trong một công ty Fortune 15.000, bạn không chỉ sử dụng Copilot hoặc Con trỏ. Bạn có quy trình công việc và các sáng kiến nội bộ đòi hỏi sự hiểu biết sâu sắc về cơ sở mã lớn. Đó là nơi mô hình nhúng mã chất lượng cao trở nên thiết yếu.
Mô hình mới nhất của Qodo là một bước tiến tới tương lai, nơi AI không chỉ hỗ trợ các nhà phát triển viết mã, nó giúp họ hiểu, quản lý và tối ưu hóa nó trên các hệ sinh thái phần mềm quy mô lớn, phức tạp.
Đối với các nhóm doanh nghiệp đang tìm cách tận dụng AI để tìm kiếm mã thông minh hơn, truy xuất và kiểm soát chất lượng, mô hình nhúng mới của Qodo cung cấp một sự thay thế hiệu suất cao, hấp dẫn cho các giải pháp lớn hơn, chuyên sâu hơn.
