{"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\/nl\/blog\/news\/mistral-ai-opublikoval-devstral-bolshuyu-yazykovuyu-model-dlya-raboty-s-kodom","title":{"rendered":"Mistral AI heeft Devstral uitgebracht, een groot taalmodel voor codebewerking","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Mistral AI heeft een grote taalmodel Devstral gepresenteerd, dat is geoptimaliseerd om problemen op te lossen die zich tijdens de ontwikkeling van software voordoen. In tegenstelling tot typische AI-modellen gaat Mistral AI verder dan het schrijven van enkele functies en het aanvullen van code, en biedt het mogelijkheden om grote codebases te analyseren en te contextualiseren (de bestemmingen en logica te bepalen), relaties tussen componenten vast te stellen en moeilijk te detecteren fouten in complexe functies op te sporen. <\/p>\n
Het model dekt 23,6 miljard parameters, houdt rekening met context in 128.000 tokens en is gepubliceerd onder de Apache 2.0-licentie. Het te downloaden archief met Devstral is 47 GB groot en geschikt voor gebruik op lokale systemen \u2014 om het model uit te voeren is genoeg aan \u00e9\u00e9n pc met een NVIDIA GeForce RTX 4090 grafische kaart en 32 GB RAM. Het model kan worden gebruikt in de open tools SWE-agent en OpenHands voor het automatiseren van foutcorrectie, code-analyse en het aanbrengen van wijzigingen. <\/p>\n
Het systeem kan worden toegepast voor het oplossen van specifieke problemen (issue) op GitHub en loopt aanzienlijk voor op andere projecten in de testset SWE-Bench Verified, die de correctheid van oplossingen voor standaardprobleemstellingen in code controleert (er worden 500 tests aangeboden op basis van echte foutmeldingen op GitHub). In deze test behaalde het Devstral-model 46,8%, terwijl het Claude 3.5 Haiku-model 40,6% behaalde, SWE-smith-LM 32B 40,2%, en GPT-4.1-mini 23,6%. Daarnaast overtrof Devstral grote modellen zoals Deepseek-V3-0324 671B (38,8%) en Qwen3 232B-A22B (34,4%), die honderden miljarden parameters omvatten. \n Bron: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"