Ανακαλύψτε το Devstral 2 και το Mistral Vibe από τη Mistral AI. Μια open-weights επανάσταση στον προγραμματισμό με κορυφαίες επιδόσεις στο SWE-bench.
Την Τρίτη, η κορυφαία γαλλική startup Mistral AI προχώρησε σε μια καθοριστική κίνηση για την τεχνολογία, καθώς κυκλοφόρησε το Devstral 2.
Πρόκειται για ένα προηγμένο μοντέλο προγραμματισμού ανοιχτών βαρών (open-weights) με 123 δισεκατομμύρια παραμέτρους, το οποίο έχει σχεδιαστεί ειδικά για να λειτουργεί ως μέρος ενός αυτόνομου πράκτορα μηχανικής λογισμικού, φέρνοντας την επόμενη μέρα στην ανάπτυξη κώδικα.
Το μοντέλο σημειώνει το εντυπωσιακό σκορ 72,2% στο SWE-bench Verified, ένα αυστηρό σημείο αναφοράς (benchmark) που ελέγχει την ικανότητα των συστημάτων AI να επιλύουν πραγματικά ζητήματα από το GitHub. Η επίδοση αυτή κατατάσσει το Devstral 2 ανάμεσα στα κορυφαία μοντέλα ανοιχτών βαρών παγκοσμίως, αποδεικνύοντας την εξέλιξη των ευρωπαϊκών AI λύσεων.
Ίσως ακόμα πιο σημαντικό για την κοινότητα των προγραμματιστών είναι το γεγονός ότι η Mistral AI δεν αρκέστηκε στην κυκλοφορία ενός AI μοντέλου, αλλά διέθεσε και μια νέα εφαρμογή ανάπτυξης που ονομάζεται Mistral Vibe.
Πρόκειται για μια διεπαφή γραμμής εντολών (CLI) υψηλής τεχνολογίας, παρόμοια με ανταγωνιστικές λύσεις όπως το Claude Code, το OpenAI Codex και το Gemini CLI. Η εφαρμογή αυτή επιτρέπει στους προγραμματιστές να αλληλεπιδρούν με τα μοντέλα Devstral απευθείας στο τερματικό τους, ενσωματώνοντας την AI ομαλά στη ροή εργασίας τους.
Σημείωση: Υποστηρίζοντας το ανοιχτό λογισμικό, η Mistral AI κυκλοφόρησε το CLI υπό την άδεια χρήσης Apache 2.0.
Είναι πάντα σοφό να αντιμετωπίζουμε τα benchmarks του AI με την απαραίτητη επιφύλαξη. Ωστόσο, έχουμε πληροφορηθεί από εργαζόμενους μεγάλων εταιρειών AI ότι δίνεται τεράστια προσοχή και βαρύτητα στο πόσο καλά αποδίδουν τα μοντέλα στο SWE-bench Verified.
Το συγκεκριμένο τεστ αποτελεί μια πραγματική πρόκληση, καθώς παρουσιάζει στα μοντέλα AI 500 πραγματικά προβλήματα μηχανικής λογισμικού που προέρχονται από ζητήματα (issues) του GitHub σε δημοφιλή αποθετήρια Python.
Το AI καλείται να ολοκληρώσει μια σύνθετη διαδικασία:
Ενώ ορισμένοι ερευνητές AI έχουν σημειώσει ότι περίπου το 90 τοις εκατό των εργασιών στο benchmark εξετάζουν...
