


CodeFuse d'Ant Group lance la fonction « Image pour générer du code », et plus de 50 % des programmeurs utilisent l'IA pour écrire du code
Le 11 avril, CodeFuse, la plateforme de R&D intelligente auto-développée par Ant Group, a lancé la nouvelle fonction « Générer du code à partir de dessins », qui permet aux développeurs de générer du code en un seul clic à l'aide de dessins de conception de produits, améliorant considérablement l'efficacité du développement des front- pages de fin. Les fonctions concernées sont actuellement en test interne.
Comme de nombreuses sociétés Internet, Ant Group promeut pleinement la programmation de l'IA. Plus de 50 % des ingénieurs utilisent CodeFuse pour soutenir les travaux quotidiens de recherche et de développement, et 10 % des codes soumis par ces ingénieurs sont générés par l'IA.
Gartner l'a souligné dans les dix principales tendances technologiques stratégiques publiées en 2024 : d'ici 2028, 75 % des ingénieurs logiciels d'entreprise utiliseront des assistants de programmation IA. CodeFuse est une tentative d'exploration dans le cadre de cette tendance. Selon les rapports, les fonctions de CodeFuse couvrent l'ensemble du lien R&D, tel que l'analyse de la demande, le développement de la programmation, les tests et la construction, la publication, l'exploitation et la maintenance, ainsi que les informations sur les données. Par exemple, pendant la phase de développement et de test, CodeFuse peut compléter le code et ajouter des commentaires. , analyser le code et générer des commandes. Les tests, l'optimisation du code, etc. aident les développeurs à écrire du code plus rapidement et plus facilement.
Actuellement, au sein d'Ant, plus de 50 % des programmeurs utilisent CodeFuse dans leur recherche et développement quotidiens chaque semaine. Le taux d'adoption global du code généré par CodeFuse est de 30 %, et le taux d'adoption dans la génération de scénarios de tests unitaires peut atteindre 50 %.
(Légende de l'image : CodeFuse, la plateforme de R&D intelligente d'Ant, couvre l'intégralité du lien R&D de l'IA)
La fonction « génération de code de graphe » publiée cette fois sert principalement aux ingénieurs front-end. Dans le processus de développement de produits Internet, une fois que le concepteur a dessiné le dessin de conception, l'ingénieur frontal doit utiliser du code pour mettre en œuvre le dessin de conception du produit. Ce travail nécessite une grande charge de travail de développement. Le code généré par les dessins peut générer du code en un clic sur la base des dessins de conception, ce qui peut réduire considérablement la charge de travail de codage de l'équipe de développement lors du développement de pages Web, de petits programmes et d'applications. En prenant comme exemple une page Web de taille moyenne, si le code final compte environ 200+ lignes, cela prendra environ 1 heure à une personne. Après la génération en un clic, les ingénieurs n'ont qu'à vérifier et ajuster, et le temps est considérablement réduit. . Cette fonction est développée sur la base des capacités techniques multimodales du grand modèle Ant Bailing.
L'équipe CodeFuse a souligné que la popularité de l'IA peut non seulement réduire la pression de travail des développeurs, leur permettant de consacrer plus d'énergie à un travail plus créatif, mais qu'elle est également plus importante pour abaisser le seuil de programmation et promouvoir l'innovation dans le développement de logiciels. l'industrie et le progrès. La mission de CodeFuse est d'explorer la prochaine génération d'outils de productivité de R&D en IA et s'engage à créer des solutions innovantes pour rendre le processus de développement des développeurs de logiciels aussi fluide que de la soie. Après avoir généré du code à partir du langage naturel et généré du code à partir de graphiques, CodeFuse continuera à lancer de nouvelles fonctions pour aider les entreprises à améliorer l'efficacité de l'ensemble du lien R&D.
Le responsable estime que le changement de paradigme de R&D en IA ne signifie plus que le rôle des « personnes » dans les scénarios de R&D va disparaître, mais met plutôt en avant des exigences plus élevées quant à la façon dont l'IA et les personnes peuvent collaborer, surtout lorsque. il s'agit de flexibilité et de fiabilité. Les scénarios d'exploitation et de maintenance nécessitent également l'intervention manuelle d'un expert pour que le système fonctionne correctement. "L'IA se concentre actuellement principalement sur la programmation auxiliaire (copilote de code). Il reste encore un long chemin à parcourir pour passer de copilote à collaborateur et réaliser l'intelligence et l'automatisation de l'ensemble du cycle de vie de la R&D."
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds





Il s'agit également d'une vidéo Tusheng, mais PaintsUndo a emprunté une voie différente. L'auteur de ControlNet, LvminZhang, a recommencé à vivre ! Cette fois, je vise le domaine de la peinture. Le nouveau projet PaintsUndo a reçu 1,4kstar (toujours en hausse folle) peu de temps après son lancement. Adresse du projet : https://github.com/lllyasviel/Paints-UNDO Grâce à ce projet, l'utilisateur saisit une image statique et PaintsUndo peut automatiquement vous aider à générer une vidéo de l'ensemble du processus de peinture, du brouillon de ligne au suivi du produit fini. . Pendant le processus de dessin, les changements de lignes sont étonnants. Le résultat vidéo final est très similaire à l’image originale : jetons un coup d’œil à un dessin complet.

La colonne AIxiv est une colonne où ce site publie du contenu académique et technique. Au cours des dernières années, la rubrique AIxiv de ce site a reçu plus de 2 000 rapports, couvrant les meilleurs laboratoires des principales universités et entreprises du monde entier, favorisant efficacement les échanges et la diffusion académiques. Si vous souhaitez partager un excellent travail, n'hésitez pas à contribuer ou à nous contacter pour un rapport. Courriel de soumission : liyazhou@jiqizhixin.com ; zhaoyunfeng@jiqizhixin.com Les auteurs de cet article font tous partie de l'équipe de l'enseignant Zhang Lingming de l'Université de l'Illinois à Urbana-Champaign (UIUC), notamment : Steven Code repair ; doctorant en quatrième année, chercheur

Si la réponse donnée par le modèle d’IA est incompréhensible du tout, oseriez-vous l’utiliser ? À mesure que les systèmes d’apprentissage automatique sont utilisés dans des domaines de plus en plus importants, il devient de plus en plus important de démontrer pourquoi nous pouvons faire confiance à leurs résultats, et quand ne pas leur faire confiance. Une façon possible de gagner confiance dans le résultat d'un système complexe est d'exiger que le système produise une interprétation de son résultat qui soit lisible par un humain ou un autre système de confiance, c'est-à-dire entièrement compréhensible au point que toute erreur possible puisse être trouvé. Par exemple, pour renforcer la confiance dans le système judiciaire, nous exigeons que les tribunaux fournissent des avis écrits clairs et lisibles qui expliquent et soutiennent leurs décisions. Pour les grands modèles de langage, nous pouvons également adopter une approche similaire. Cependant, lorsque vous adoptez cette approche, assurez-vous que le modèle de langage génère

La colonne AIxiv est une colonne où ce site publie du contenu académique et technique. Au cours des dernières années, la rubrique AIxiv de ce site a reçu plus de 2 000 rapports, couvrant les meilleurs laboratoires des principales universités et entreprises du monde entier, favorisant efficacement les échanges et la diffusion académiques. Si vous souhaitez partager un excellent travail, n'hésitez pas à contribuer ou à nous contacter pour un rapport. Courriel de soumission : liyazhou@jiqizhixin.com ; zhaoyunfeng@jiqizhixin.com Dans le processus de développement de l'intelligence artificielle, le contrôle et le guidage des grands modèles de langage (LLM) ont toujours été l'un des principaux défis, visant à garantir que ces modèles sont à la fois puissant et sûr au service de la société humaine. Les premiers efforts se sont concentrés sur les méthodes d’apprentissage par renforcement par feedback humain (RL

Récemment, l’hypothèse de Riemann, connue comme l’un des sept problèmes majeurs du millénaire, a réalisé une nouvelle avancée. L'hypothèse de Riemann est un problème mathématique non résolu très important, lié aux propriétés précises de la distribution des nombres premiers (les nombres premiers sont les nombres qui ne sont divisibles que par 1 et par eux-mêmes, et jouent un rôle fondamental dans la théorie des nombres). Dans la littérature mathématique actuelle, il existe plus d'un millier de propositions mathématiques basées sur l'établissement de l'hypothèse de Riemann (ou sa forme généralisée). En d’autres termes, une fois que l’hypothèse de Riemann et sa forme généralisée seront prouvées, ces plus d’un millier de propositions seront établies sous forme de théorèmes, qui auront un impact profond sur le domaine des mathématiques et si l’hypothèse de Riemann s’avère fausse, alors parmi eux ; ces propositions qui en font partie perdront également de leur efficacité. Une nouvelle percée vient du professeur de mathématiques du MIT, Larry Guth, et de l'Université d'Oxford

acclamations! Qu’est-ce que ça fait lorsqu’une discussion sur papier se résume à des mots ? Récemment, des étudiants de l'Université de Stanford ont créé alphaXiv, un forum de discussion ouvert pour les articles arXiv qui permet de publier des questions et des commentaires directement sur n'importe quel article arXiv. Lien du site Web : https://alphaxiv.org/ En fait, il n'est pas nécessaire de visiter spécifiquement ce site Web. Il suffit de remplacer arXiv dans n'importe quelle URL par alphaXiv pour ouvrir directement l'article correspondant sur le forum alphaXiv : vous pouvez localiser avec précision les paragraphes dans. l'article, Phrase : dans la zone de discussion sur la droite, les utilisateurs peuvent poser des questions à l'auteur sur les idées et les détails de l'article. Par exemple, ils peuvent également commenter le contenu de l'article, tels que : "Donné à".

La colonne AIxiv est une colonne où ce site publie du contenu académique et technique. Au cours des dernières années, la rubrique AIxiv de ce site a reçu plus de 2 000 rapports, couvrant les meilleurs laboratoires des principales universités et entreprises du monde entier, favorisant efficacement les échanges et la diffusion académiques. Si vous souhaitez partager un excellent travail, n'hésitez pas à contribuer ou à nous contacter pour un rapport. Courriel de soumission : liyazhou@jiqizhixin.com ; zhaoyunfeng@jiqizhixin.com. Introduction Ces dernières années, l'application de grands modèles de langage multimodaux (MLLM) dans divers domaines a connu un succès remarquable. Cependant, en tant que modèle de base pour de nombreuses tâches en aval, le MLLM actuel se compose du célèbre réseau Transformer, qui

Montrez la chaîne causale à LLM et il pourra apprendre les axiomes. L'IA aide déjà les mathématiciens et les scientifiques à mener des recherches. Par exemple, le célèbre mathématicien Terence Tao a partagé à plusieurs reprises son expérience de recherche et d'exploration à l'aide d'outils d'IA tels que GPT. Pour que l’IA soit compétitive dans ces domaines, des capacités de raisonnement causal solides et fiables sont essentielles. La recherche présentée dans cet article a révélé qu'un modèle Transformer formé sur la démonstration de l'axiome de transitivité causale sur de petits graphes peut se généraliser à l'axiome de transitivité sur de grands graphes. En d’autres termes, si le Transformateur apprend à effectuer un raisonnement causal simple, il peut être utilisé pour un raisonnement causal plus complexe. Le cadre de formation axiomatique proposé par l'équipe est un nouveau paradigme pour l'apprentissage du raisonnement causal basé sur des données passives, avec uniquement des démonstrations.
