{"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\/novosti-interneta\/mistral-ai-opublikoval-devstral-bolshuyu-yazykovuyu-model-dlya-raboty-s-kodom","title":{"rendered":"Mistral AI ha pubblicato Devstral, un grande modello linguistico per lavoro con il codice.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
L'azienda Mistral AI ha presentato un grande modello linguistico chiamato Devstral, ottimizzato per affrontare le sfide nella sviluppo di software. A differenza dei modelli AI standard, Mistral AI va oltre la scrittura di singole funzioni e l'integrazione del codice, offrendo capacit\u00e0 che consentono di analizzare e contestualizzare (determinarne lo scopo e la logica) grandi basi di codice, identificare relazioni tra componenti e scoprire errori difficili da rilevare in funzioni complesse. <\/p>\n
Il modello copre 23,6 miliardi di parametri, considera il contesto in 128.000 token ed \u00e8 pubblicato con licenza Apache 2.0. L'archivio scaricabile di Devstral occupa 47 GB ed \u00e8 idoneo per l'uso su sistemi locali \u2014 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 open-source SWE-agent e OpenHands per automatizzare la correzione di errori, l'analisi del codice e l'implementazione 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 nella risoluzione di problemi di codice standard (sono proposti 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 raggiunto il 40,6%, SWE-smith-LM 32B \u2014 40,2% e GPT-4.1-mini \u2014 23,6%. Tra l'altro, Devstral ha superato modelli di grande dimensione 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":"