{"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\/fr\/blog\/news\/mistral-ai-opublikoval-devstral-bolshuyu-yazykovuyu-model-dlya-raboty-s-kodom","title":{"rendered":"Mistral AI a publi\u00e9 Devstral, un grand mod\u00e8le linguistique pour le travail avec le code.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
La soci\u00e9t\u00e9 Mistral AI a pr\u00e9sent\u00e9 un grand mod\u00e8le de langage Devstral, optimis\u00e9 pour r\u00e9soudre les probl\u00e8mes rencontr\u00e9s lors du d\u00e9veloppement de logiciels. Contrairement aux mod\u00e8les AIs standards, Mistral AI va au-del\u00e0 de l\u2019\u00e9criture de fonctions individuelles et de l\u2019ajout de code, en offrant des possibilit\u00e9s d\u2019analyse et de contextualisation (d\u00e9termination de l\u2019objectif et de la logique de fonctionnement) de grandes bases de code, d\u2019identification des relations entre composants et de d\u00e9tection d\u2019erreurs difficiles \u00e0 rep\u00e9rer dans des fonctions complexes. <\/p>\n
Le mod\u00e8le couvre 23,6 milliards de param\u00e8tres, prend en compte le contexte avec 128 000 tokens et est publi\u00e9 sous la licence Apache 2.0. L'archive t\u00e9l\u00e9chargeable de Devstral fait 47 Go et est adapt\u00e9e pour une utilisation sur des syst\u00e8mes locaux \u2014 un seul PC avec une carte graphique NVIDIA GeForce RTX 4090 et 32 Go de RAM suffit pour ex\u00e9cuter le mod\u00e8le. Le mod\u00e8le peut \u00eatre utilis\u00e9 dans les outils open source SWE-agent et OpenHands pour automatiser la correction des erreurs, l'analyse de code et l'apport de modifications. <\/p>\n
Le syst\u00e8me peut \u00eatre utilis\u00e9 pour r\u00e9soudre des probl\u00e8mes sp\u00e9cifiques (issue) sur GitHub et surpasse nettement d'autres projets dans le jeu de tests SWE-Bench Verified, qui v\u00e9rifie la validit\u00e9 des solutions aux probl\u00e8mes typiques dans le code (500 tests bas\u00e9s sur de v\u00e9ritables rapports d'erreurs sur GitHub sont propos\u00e9s). Dans ce test, le mod\u00e8le Devstral a obtenu 46,8%, tandis que le mod\u00e8le Claude 3.5 Haiku a obtenu 40,6%, SWE-smith-LM 32B \u2014 40,2% et GPT-4.1-mini \u2014 23,6%. Par ailleurs, Devstral a devanc\u00e9 d'importants mod\u00e8les comme Deepseek-V3-0324 671B (38,8%) et Qwen3 232B-A22B (34,4%), qui englobent des centaines de milliards de param\u00e8tres. \n Source : opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"