Les capacités de programmation de l'IA évoluent ! La qualité du code peut être améliorée grâce à la PUA continue de grands modèles – Article AI

Ces dernières années, les capacités de programmation de l’intelligence artificielle (IA) ont continué à se développer, mais n’ont pas encore atteint la perfection. Récemment, Max Woolf, data scientist senior chez BuzzFeed, a découvert grâce à des expériences que si un grand modèle de langage (LLM) reçoit constamment des invites pour « écrire un meilleur code », l'IA peut en effet générer un meilleur code. Cette découverte a attiré une large attention et des scientifiques de renom du secteur de l'IA ont également exprimé un grand intérêt pour elle, soulignant l'importance de l'itération et de la conception rapide des mots.

Dans l'expérience de Woolf, il a utilisé la version Claude3.5Sonnet du modèle d'IA pour effectuer une série de tâches de programmation. Dans un premier temps, il a posé un problème de programmation simple au modèle : comment trouver la différence entre les valeurs minimales et maximales parmi un million d'entiers aléatoires dont la somme des chiffres est 30. Après avoir reçu cette tâche, Claude a généré un code qui répondait aux exigences, mais Woolf pensait que le code pouvait encore être optimisé.

Ensuite, Woolf a décidé de demander à Claude d'effectuer une optimisation itérative via l'invite « Écrire un meilleur code » à chaque fois après avoir généré du code. Après la première itération, Claude a refactorisé le code en une classe Python orientée objet et a implémenté deux optimisations significatives, augmentant ainsi la vitesse d'exécution de 2,7 fois. Dans la deuxième itération, Claude a ajouté un traitement multithread et des calculs vectoriels, ce qui a finalement permis au code de s'exécuter 5,1 fois plus rapidement que la version de base.

Cependant, à mesure que le nombre d’itérations augmente, l’amélioration de la qualité du code commence à ralentir. Après plusieurs cycles d'optimisation, bien que le modèle ait tenté d'utiliser des techniques plus sophistiquées, telles que la compilation JIT et la programmation asynchrone, certaines itérations ont entraîné une dégradation des performances. En fin de compte, l'expérience de Woolf a révélé le potentiel et les limites des invites itératives, donnant aux gens une nouvelle réflexion sur l'avenir de la programmation de l'IA.

Cette recherche démontre non seulement le potentiel d'application de l'IA dans le domaine de la programmation, mais nous rappelle également que même si l'IA peut améliorer la qualité du code grâce à des itérations continues, dans les applications réelles, il est toujours utile de concevoir correctement des mots d'invite et d'équilibrer performances et complexité. sujet abordé en profondeur.