{"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\/it\/blog\/news\/mistral-ai-opublikoval-devstral-bolshuyu-yazykovuyu-model-dlya-raboty-s-kodom","title":{"rendered":"Mistral AI ha pubblicato Devstral, un grande modello linguistico per lavorare con il codice.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
L'azienda Mistral AI ha presentato un grande modello di linguaggio, Devstral, ottimizzato per affrontare i problemi che sorgono durante il processo di sviluppo del software. A differenza dei modelli AI standard, Mistral AI va oltre la scrittura di funzioni singole e l'integrazione del codice, offrendo capacit\u00e0 che permettono di analizzare e contestualizzare (definire scopi e logiche di funzionamento) grandi basi di codice, identificare connessioni tra componenti e scovare errori difficili da rilevare in funzioni complesse. <\/p>\n
Il modello comprende 23,6 miliardi di parametri, tiene conto del contesto in 128.000 token ed \u00e8 pubblicato con licenza Apache 2.0. L'archivio scaricabile di Devstral occupa 47 GB ed \u00e8 adatto per l'uso su sistemi locali: per eseguire il modello \u00e8 sufficiente un PC con scheda grafica NVIDIA GeForce RTX 4090 e 32 GB di RAM. Il modello pu\u00f2 essere utilizzato negli strumenti aperti SWE-agent e OpenHands per automatizzare la correzione degli errori, l'analisi del codice e l'applicazione di modifiche. <\/p>\n
Il sistema pu\u00f2 essere utilizzato per affrontare problemi specifici (issue) su GitHub e supera notevolmente altri progetti nel set di test SWE-Bench Verified, che verifica la correttezza delle soluzioni a problemi tipici nel codice (sono offerti 500 test basati su reali segnalazioni di errori su GitHub). In questo test, il modello Devstral ha ottenuto il 46,8%, mentre il modello Claude 3.5 Haiku ha ottenuto il 40,6%, SWE-smith-LM 32B - il 40,2% e GPT-4.1-mini - il 23,6%. Tra l'altro, Devstral ha superato modelli di grandi dimensioni come Deepseek-V3-0324 671B (38,8%) e Qwen3 232B-A22B (34,4%), che coprono centinaia di miliardi di parametri. \n Fonte: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"