Cognition تطلق SWE-1.7 لتطوير وكيل Devin البرمجي بتكلفة أقل
أعلنت شركة Cognition عن إطلاق نموذج SWE-1.7 الجديد، وهو نموذج ذكاء اصطناعي مخصص لوكيل البرمجة Devin، يقدم أداءً قريباً من نماذج متقدمة مثل GPT-5.5 وClaude Opus مع تكلفة تشغيل أقل بشكل كبير.
تفاصيل الخبر
كشفت Cognition عن إطلاق SWE-1.7 باعتباره أقوى نموذج طورته الشركة حتى الآن، وهو مصمم خصيصاً لتحسين قدرات وكيل الذكاء الاصطناعي البرمجي Devin في تنفيذ المهام البرمجية طويلة المدى.
ويعتمد النموذج الجديد على قاعدة Kimi K2.7 مفتوحة المصدر من الصين، ثم خضع لتدريب إضافي واسع باستخدام تقنيات التعلم المعزز (RL)، ما ساعده على تحقيق قفزة كبيرة في الأداء مقارنة بالنموذج الأساسي.
ومن أبرز تفاصيل الإطلاق:
- يعتبر SWE-1.7 نموذج Cognition الأكثر تقدماً حتى الآن في مهام هندسة البرمجيات.
- تم تطويره باستخدام نموذج Kimi K2.7 كأساس، مع تحسينات إضافية عبر عمليات تدريب خاصة بالشركة.
- يحقق النموذج نتائج قريبة من نماذج رائدة مثل GPT-5.5 وClaude Opus 4.8 في اختبارات البرمجة.
- سجل SWE-1.7 نتيجة 42.3% في اختبار FrontierCode 1.1، مقارنة بـ:
- GPT-5.5 بنسبة 43%.
- Claude Opus 4.8 بنسبة 46.5%.
- Claude Opus 4.7 بنسبة 38.5%.
- حقق أداءً قوياً في اختبار Terminal-Bench 2.1 بنسبة 81.5%.
- سجل نتيجة 77.8% في اختبار SWE-Bench Multilingual.
- يوفر أداءً قريباً من النماذج الأغلى مع تكلفة أقل لكل عملية تشغيل.
- أصبح متاحاً داخل منصة Devin عبر الويب وسطح المكتب وواجهة الأوامر CLI.
- يعمل النموذج عبر منصة Cerebras بسرعة تصل إلى 1000 رمز في الثانية.
اعتمدت Cognition في تطوير SWE-1.7 على تحسينات متعددة في خط التدريب، خاصة في التعامل مع المهام الطويلة والمعقدة التي تحتاج إلى تخطيط وتنفيذ مستمر. وتوضح الشركة أن النموذج أصبح أكثر قدرة على استكشاف قواعد البيانات البرمجية، وفهم أسباب الأخطاء، واختبار الحلول قبل تنفيذها.
كما أظهرت الاختبارات أن النموذج لا يكتفي بإصلاح المشكلة الظاهرة فقط، بل يحاول البحث عن الأسباب الجذرية للأخطاء، وفحص الحالات المحتملة التي قد تسبب مشاكل مستقبلية.
ومن التقنيات التي استخدمتها Cognition في تطوير النموذج:
- تحسين استقرار التدريب باستخدام التعلم المعزز.
- تطوير أنظمة تدريب موزعة عبر مراكز بيانات متعددة حول العالم.
- تحسين جودة بيانات التدريب لمنع السلوكيات غير المرغوبة.
- استخدام تقنية Self-Compaction التي تمكن النموذج من تلخيص حالة العمل واستكمال المهام الطويلة بعد تجاوز حدود السياق.
- تحسين قدرة النموذج على تنفيذ مهام تمتد لساعات بدلاً من مجرد مهام قصيرة.
وتشير Cognition إلى أن SWE-1.7 أظهر سلوكيات مختلفة مقارنة بالنموذج الأساسي Kimi K2.7، حيث أصبح أكثر دقة في استكشاف الأكواد، وأكثر اهتماماً بفحص التفاصيل، وأكثر قدرة على التعامل مع المتطلبات غير الواضحة.
الأهداف المستقبلية
تسعى Cognition من خلال تطوير SWE-1.7 إلى تعزيز مستقبل وكلاء البرمجة بالذكاء الاصطناعي، وتشمل أهدافها المستقبلية:
- تطوير نماذج أكثر قدرة على تنفيذ مشاريع برمجية كاملة بشكل مستقل.
- تحسين أداء Devin في المهام البرمجية طويلة الأمد.
- تقليل تكلفة تشغيل وكلاء الذكاء الاصطناعي للمطورين والشركات.
- تطوير تقنيات تعلم معزز أكثر كفاءة للنماذج البرمجية.
- بناء أنظمة قادرة على فهم قواعد البيانات الكبيرة والتعامل معها.
- منافسة نماذج البرمجة المتقدمة من OpenAI وAnthropic.
يمثل إطلاق SWE-1.7 خطوة مهمة في تطور وكلاء البرمجة بالذكاء الاصطناعي، حيث يثبت أن تحسين التدريب والكفاءة قد يسمح لنماذج أصغر وأقل تكلفة بمنافسة النماذج الرائدة. ومع استمرار تطوير Devin، قد تصبح أدوات البرمجة الذكية جزءاً أساسياً من مستقبل تطوير البرمجيات.
