{"id":125519,"date":"2025-05-23T15:05:12","date_gmt":"2025-05-23T13:05:12","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/mistral-ai-opublikoval-devstral-bolshuyu-yazykovuyu-model-dlya-raboty-s-kodom"},"modified":"2025-05-23T15:05:12","modified_gmt":"2025-05-23T13:05:12","slug":"mistral-ai-opublikoval-devstral-bolshuyu-yazykovuyu-model-dlya-raboty-s-kodom","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/mistral-ai-opublikoval-devstral-bolshuyu-yazykovuyu-model-dlya-raboty-s-kodom","title":{"rendered":"Mistral AI hat Devstral ver\u00f6ffentlicht, ein gro\u00dfes Sprachmodell zur Arbeit mit Code.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Das Unternehmen Mistral AI hat das umfangreiche Sprachmodell Devstral vorgestellt, das speziell zur L\u00f6sung von Herausforderungen in der Softwareentwicklung optimiert wurde. Im Gegensatz zu typischen KI-Modellen geht Mistral AI \u00fcber das Schreiben einzelner Funktionen und das Erg\u00e4nzen von Code hinaus und bietet die M\u00f6glichkeit, gro\u00dfe Codebasen zu analysieren und zu kontextualisieren (das Verst\u00e4ndnis von Zweck und Logik zu erkennen), Zusammenh\u00e4nge zwischen Komponenten zu bestimmen und schwer zu findende Fehler in komplexen Funktionen zu identifizieren. <\/p>\n
Das Modell umfasst 23,6 Milliarden Parameter, ber\u00fccksichtigt den Kontext in 128.000 Tokens und wird unter der Lizenz Apache 2.0 ver\u00f6ffentlicht. Das herunterladbare Archiv mit Devstral ben\u00f6tigt 47 GB und ist f\u00fcr den Einsatz auf lokalen Systemen geeignet \u2013 f\u00fcr die Ausf\u00fchrung des Modells reicht ein PC mit einer NVIDIA GeForce RTX 4090-Grafikkarte und 32 GB RAM. Das Modell kann in den offenen Tools SWE-agent und OpenHands verwendet werden, um Fehlerautomatisierung, Codeanalyse und \u00c4nderungen vorzunehmen. <\/p>\n
Das System kann zur L\u00f6sung spezifischer Probleme (Issues) auf GitHub eingesetzt werden und \u00fcbertrifft deutlich andere Projekte im Testset SWE-Bench Verified, das die Korrektheit der L\u00f6sungen typischer Probleme im Code \u00fcberpr\u00fcft (es werden 500 Tests basierend auf realen Fehlermeldungen von GitHub angeboten). In diesem Test erzielte das Modell Devstral 46,8 %, w\u00e4hrend das Modell Claude 3.5 Haiku 40,6 %, SWE-smith-LM 32B 40,2 % und GPT-4.1-mini 23,6 % erreichte. Dar\u00fcber hinaus \u00fcbertraf Devstral gro\u00dfe Modelle wie Deepseek-V3-0324 671B (38,8 %) und Qwen3 232B-A22B (34,4 %), die Hunderte von Milliarden Parametern abdecken. \n Quelle: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"