{"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\/news\/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 gro\u00dfe Sprachmodell Devstral vorgestellt, das f\u00fcr die L\u00f6sung von Problemen optimiert ist, die im Softwareentwicklungsprozess auftreten. Im Gegensatz zu typischen KI-Modellen geht Mistral AI \u00fcber die Erstellung einzelner Funktionen und die Erg\u00e4nzung von Code hinaus und bietet M\u00f6glichkeiten, gro\u00dfe Codebasen zu analysieren und zu kontextualisieren (Zweck und Logik zu bestimmen), Verbindungen zwischen Komponenten zu erkennen und schwer zu identifizierende Fehler in komplexen Funktionen zu finden. <\/p>\n
Das Modell umfasst 23,6 Milliarden Parameter, ber\u00fccksichtigt den Kontext in 128.000 Token und wird unter der Apache 2.0-Lizenz ver\u00f6ffentlicht. Das herunterladbare Archiv von Devstral hat eine Gr\u00f6\u00dfe von 47 GB und ist f\u00fcr die Verwendung auf lokalen Systemen geeignet \u2014 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 Werkzeugen SWE-agent und OpenHands verwendet werden, um Fehlerkorrekturen, Codeanalysen und \u00c4nderungen zu automatisieren. <\/p>\n
Das System kann zur L\u00f6sung spezifischer Probleme (Issues) auf GitHub eingesetzt werden und \u00fcbertrifft andere Projekte erheblich im SWE-Bench Verified-Testset, das die Korrektheit der L\u00f6sungen typischer Probleme im Code \u00fcberpr\u00fcft (es werden 500 Tests basierend auf realen Fehlerberichten von GitHub angeboten). In diesem Test erreichte 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 % erzielte. Unter anderem \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":"