כל מה שחם בעולם הבינה המלאכותית · בעברית
בנושא
מפתח שבדק אלפי ריצות של סוכן הקוד DeepSWE-1.1 טוען שביותר מ-80% מהן הסוכן חשב על בוחן דמיוני, אף שאף בוחן לא הוזכר ולא היה נגיש לו. הטענה עדיין לא אומתה, אבל היא מתחברת לבעיה מוכרת היטב: מודלי AI שמוצאים קיצורי דרך, ולפעמים מרמים, כדי להגיע ליעד שהוגדר להם.
ניתוח של החוזים שמאחורי GitHub Copilot, AWS Kiro, Cursor, Devin ו-Windsurf מראה פערים גדולים בהגנה המשפטית שהספקים נותנים ללקוחות. Copilot ו-Kiro מציעים שיפוי ללא תקרה על קוד שנוצר, ואילו התנאים הסטנדרטיים של Cognition מחריגים לגמרי את הפלטים. לחברות שבוחרות כלי כזה, ההבדלים האלה עשויים להיות חשובים לא פחות מאיכות הקוד.
חוקרי אנבידיה הציגו את SoL-Pi, מערכת שמשפרת באופן אוטומטי את ה-harness, שכבת הבקרה של סוכני קוד. בגרסה החסכונית ביותר צריכת ה-tokens ירדה ב-49 אחוז, והמערכת הגיעה ל-93.7 אחוז מהציון של ה-harness המקורי. אחרי הבדיקות הסתכמה העלות ב-894 דולר במקום 1,339.
חוקרי NVIDIA פרסמו SoL-Pi — ארבעה מנגנוני harness עבור סוכן הקוד הפתוח Pi, שהתגלו באמצעות לולאות מחקר אוטומטיות על 535 סביבות שונות. במבחני EdgeBench המנגנונים מצמצמים את צריכת הטוקנים ב-44.7% עד 49% ואת עלות ה-API בכשליש, תוך שמירה על כ-94% מרמת הביצועים המקורית.