{"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\/es\/blog\/news\/mistral-ai-opublikoval-devstral-bolshuyu-yazykovuyu-model-dlya-raboty-s-kodom","title":{"rendered":"Mistral AI ha publicado Devstral, un gran modelo de lenguaje para trabajar con c\u00f3digo","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
La empresa Mistral AI ha presentado un gran modelo de lenguaje, Devstral, optimizado para abordar problemas que surgen en el proceso de desarrollo de software. A diferencia de los modelos de IA t\u00edpicos, Mistral AI va m\u00e1s all\u00e1 de escribir funciones individuales y completar c\u00f3digo, ofreciendo capacidades que permiten analizar y contextualizar (determinar la finalidad y la l\u00f3gica de funcionamiento) grandes bases de c\u00f3digo, identificar conexiones entre componentes y detectar errores dif\u00edciles de encontrar en funciones complejas. <\/p>\n
El modelo abarca 23.6 mil millones de par\u00e1metros, considera el contexto en 128 mil tokens y se publica bajo la licencia Apache 2.0. El archivo descargable de Devstral ocupa 47 GB y es adecuado para su uso en sistemas locales; para ejecutar el modelo, se necesita solo una PC con una tarjeta gr\u00e1fica NVIDIA GeForce RTX 4090 y 32 GB de RAM. El modelo se puede utilizar en herramientas abiertas como SWE-agent y OpenHands para la automatizaci\u00f3n de correcci\u00f3n de errores, an\u00e1lisis de c\u00f3digo y realizaci\u00f3n de modificaciones. <\/p>\n
El sistema se puede aplicar para resolver problemas espec\u00edficos (issue) en GitHub y supera notablemente otros proyectos en el conjunto de pruebas SWE-Bench Verified, que verifica la correcci\u00f3n en la resoluci\u00f3n de problemas t\u00edpicos en el c\u00f3digo (se ofrecen 500 pruebas basadas en mensajes de error reales en GitHub). En esta prueba, el modelo Devstral obtuvo un 46.8%, mientras que el modelo Claude 3.5 Haiku obtuvo un 40.6%, SWE-smith-LM 32B \u2014 40.2% y GPT-4.1-mini \u2014 23.6%. Adem\u00e1s, Devstral super\u00f3 a modelos grandes como Deepseek-V3-0324 671B (38.8%) y Qwen3 232B-A22B (34.4%), que abarcan cientos de miles de millones de par\u00e1metros. \n Fuente: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"