استخدم Windsurf التعلم المعزز بواسطة التعلم المعزز لتدريب نموذج صغير متخصص في اكتشاف الأخطاء، وقد حقق تقييم داخلي تعادل مع Claude Opus 4.6

أخبار ME News، في 15 أبريل (بتوقيت UTC+8)، وفقًا لمراقبة Beating، قامت شركة Cognition AI، الشركة الأم لأداة البرمجة الذكية Windsurf، بالتعاون مع شركة التدريب على الذكاء الاصطناعي Applied Compute، بتدريب نموذج خاص لاكتشاف أخطاء الشفرة البرمجية يُدعى SWE-Check باستخدام التعلم المعزز. يحلل النموذج التغييرات الحالية في الشفرة (diff)، ويقوم تلقائيًا بوضع علامات على الأخطاء المحتملة ويقدم اقتراحات للإصلاح. في التقييمات التي تتطابق مع توزيع بيانات التدريب، حقق SWE-Check درجة F1 تعادل مع Claude Opus 4.6 (انخفض الفارق من 0.09 إلى 0)؛ وفي التقييم عبر التوزيعات، تقلص الفارق من 0.49 إلى 0.29، ولا يزال يتخلف عن النماذج الرائدة لكنه أظهر تقدمًا واضحًا. الميزة الرئيسية تكمن في السرعة والتكلفة: سرعة تشغيل SWE-Check أسرع بمقدار رتبة واحدة من النماذج الرائدة، وتكلفة الاستنتاج منخفضة بشكل كبير، مما يتيح إمكانية الكشف عن الأخطاء في الوقت الحقيقي وبدون تكلفة داخل بيئة التطوير المتكاملة (IDE)، وهو أمر لا يمكن تحقيقه عند استدعاء نماذج كبيرة مثل Opus 4.6 مباشرة. هناك تصميمان مهمان في طريقة التدريب يستحقان الانتباه: 1. التبسيط في المكافأة (reward linearization): الفريق يرغب في تحسين مقياس F-beta العام، لكنه لا يمكن تفكيكه مباشرة إلى عينة واحدة. من خلال تقريب من الدرجة الأولى، حولوا المقياس إلى وظيفة مكافأة يمكن حسابها لكل عينة، مما يسمح للتدريب بالارتقاء بشكل فعال بالمقياس العام. في الإصدارات المبكرة، كانت نسبة الإنذارات الكاذبة مرتفعة جدًا، لذا قام الفريق بضبط قيمة beta من 1 إلى 0.5 لتأكيد الدقة. 2. التدريب بعد مرحلتين: المرحلة الأولى تركز على تعظيم قدرة اكتشاف الأخطاء فقط، دون معاقبة التأخير؛ والمرحلة الثانية تضيف معاقبة التأخير، استنادًا إلى التوزيع الإحصائي لوقت استجابة المستخدم الحقيقي بعد تفعيل الكشف. هذه الطريقة ذات مرحلتين أفضل من تحسين هدفين في وقت واحد، حيث أن الأخيرة قد تؤدي إلى الوقوع في محلية الحد الأقصى، مثل تعلم الكشف بسرعة مفرطة مع تحليل سطحي. النسخة التجريبية من SWE-Check متاحة الآن في Windsurf Next (باستخدام الاختصار cmd+U)، وسيتم لاحقًا إصدارها في النسخة الرسمية من Windsurf. (المصدر: BlockBeats)