Das Qwen-Crew von Alibaba hat Qwen3.7-Max vorgestellt, ein Flaggschiffmodell, das für die Agenten-Ära entwickelt wurde. Im Gegensatz zu herkömmlichen, auf Chatbots ausgerichteten LLMs ist es als Grundlage für autonome KI-Agenten konzipiert, die programmieren, debuggen, Instruments verwenden, Arbeitsabläufe verwalten und lang andauernde Unternehmensaufgaben ausführen können.

Alibaba behauptet, dass das Modell bis zu 35 Stunden lang autonom ohne Leistungseinbußen arbeiten kann und gleichzeitig über 1.000 aufeinanderfolgende Device-Aufrufe unterstützt. In diesem Artikel untersuchen wir die Architektur, Benchmarks, APIs, Agent-Workflows und seinen Platz im sich entwickelnden LLM-Ökosystem von Qwen3.7-Max.

Was ist Qwen3.7-Max?

Qwen3.7-Max ist das neueste Mitglied der Qwen-Reihe proprietärer Modelle von Alibaba. Es ist für die Agentencodierung auf hohem Niveau, komplexes Denken, die Nutzung von Instruments, die Automatisierung von Büroabläufen und die Ausführung von Aufgaben über einen langen Zeitraum gedacht. Entwickler und Unternehmen auf der ganzen Welt können über Alibaba Cloud Mannequin Studio auf Alibaba zugreifen, gab das Unternehmen bekannt.

Die wichtigste Erkenntnis ist, dass Qwen3.7-Max derzeit kein Modell mit offenem Gewicht ist. Im Gegensatz zu vielen früheren Open-Weight-Versionen von Qwen handelt es sich um ein gehostetes proprietäres Modell. Dies bedeutet nicht, dass es mit herunterladbaren lokalen Modellen wie GPT, Claude, Gemini oder den gehosteten Flaggschiffmodellen von DeepSeek verglichen werden soll.

Hauptfunktionen von Qwen3.7-Max

• Agentenkodierung: Unterstützt Frontend-Prototyping, Codegenerierung, Debugging, Entwicklung mehrerer Dateien, Terminalbefehle, Testschreiben und Problembehebung im GitHub-Stil.
• Aufgabenausführung über einen längeren Zeitraum: Entwickelt für die Bewältigung erweiterter Agenten-Workflows mit vielen Device-Aufrufen, wodurch es für komplexe technische Aufgaben nützlich ist, die Ausdauer erfordern.
• Werkzeugaufruf und MCP-Workflows: Funktioniert intestine in Umgebungen mit vielen Instruments, in denen Agenten mit Dateisystemen, Browsern, Datenbanken, APIs und Unternehmensanwendungen interagieren.
• Automatisierung von Büro-Workflows: Hilft bei der Dokumentenerstellung, Tabellenkalkulationsanalyse, Berichterstellung, Planung, Forschungssynthese und Automatisierung von Geschäftsabläufen.
• Cowork-Produktivitätsassistent: Funktioniert als mehr als ein Codierungs- oder Frage-und-Antwort-Device, indem es mehrstufige operative Aufgaben für Geschäfts- und Produktivitätsteams unterstützt.

Warum Qwen3.7-Max für KI-Agenten wichtig ist

Die meisten LLM-Releases betrafen unterschiedliche Aspekte, wie z. B. verbesserten Chat, verbesserte Mathematikfunktionen, verbesserte Codierungsfunktionen oder geringere Inferenzkosten. Die Botschaft von Qwen3.7-Max ist völlig anders, ihre Hauptbotschaft ist die Zuverlässigkeit der Agenten.

Der KI-Agent ist nicht nur ein Fragebeantworter. Es muss planen, Instruments aufrufen, die Ergebnisse lesen, Fehler beheben, Code patchen, Dateien anzeigen, Wendungen durchführen und – in einer Aufgabe, die Hunderte von Schritten umfassen kann – alles erledigen! Laut Alibaba kann der Qwen3.7-Max langkettige autonome Aufgaben bewältigen, beispielsweise tausend oder mehr Aktionen lang.

Dies ist der Grund dafür, dass Agentenprodukte in der Produktion aus verschiedenen Gründen auseinanderfallen, was bei Chatbots nicht der Fall ist. Ein solcher Agent kann mit nur einer Reaktion wirksam sein. Ein Agent sollte alle vier Variablen einer Schleife kennen:

Benutzerziel → Plan → Toolaufruf → Beobachtung → Debuggen → Wiederholen → Validierung → Endgültige Ausgabe

Qwen3.7-Max basiert auf dieser Schleife.

Qwen3.7-Max-Architektur

Alibaba hat nicht die vollständigen Particulars der Architektur von Qwen3.7-Max bekannt gegeben, einschließlich der Anzahl der Parameter, der Anzahl der Experten, der Aktivierungsgröße, des Aufmerksamkeitsdesigns oder der tatsächlichen Länge des Kontextfensters. Daher ist es am besten, seine Architektur im Hinblick auf das Design des veröffentlichten Agentensystems, die Trainingsstrategie und das Laufzeitverhalten zu beschreiben.

Excessive-Stage-Agent-Architektur

Agentenschulungsarchitektur: Umgebungsskalierung

Der Sinn der Architektur hinter Qwen3.7-Max ist die Skalierung der Umgebung. Laut Alibabas veröffentlichten Materialien wurde das Modell tatsächlich in einer Vielzahl von Agentenumgebungen erlernt und die Aufgaben, Systeme und Prüfer wurden getrennt, sodass es in der Lage ist, allgemeine Problemlösungsansätze zu erlernen und nicht einer Überanpassung von Benchmarks oder Frameworks zu unterliegen.

Dies bedeutet, dass dem Modell nicht beigebracht wird, genauen Textual content zu generieren, sondern dass es auch darauf trainiert werden sollte, angemessenen Textual content zu generieren. Ihm wird beigebracht, in sich entwickelnden Umgebungen zu funktionieren, in denen es entscheiden muss, was als nächstes zu tun ist.

So greifen Sie auf Qwen3.7-Max zu

Possibility 1: Qwen Studio

Qwen Studio ist die einfachste Möglichkeit, Qwen-Modelle in einem Browser zu testen. Qwen beschreibt Qwen Studio als einen kostenlosen KI-Assistenten, der auf der Qwen-Modellreihe basiert.

Derzeit unterstützt Qwen Studio Qwen3.7-Max Preview und Qwen3.7-Plus Preview

Possibility 2: Alibaba Cloud Mannequin Studio API

Laut Alibaba wird Qwen3.7-Max über Alibaba Cloud Mannequin Studio verfügbar sein. Mannequin Studio unterstützt die OpenAI-kompatible API-Nutzung und die Dokumentation von Alibaba bietet Beispiele für die Verwendung des OpenAI Python SDK mit dem DashScope-kompatiblen Endpunkt.

Praktisch: Verwendung von Qwen3.7-Max

Für diesen Teil würde ich Qwen Studio verwenden.

Aufgabe 1: Argumentation

Immediate: „Ein Zug legt in 2 Stunden 120 km zurück und bremst dann in den nächsten 3 Stunden auf 40 km/h ab. Berechnen Sie die Durchschnittsgeschwindigkeit für die gesamte Fahrt und erläutern Sie die Überlegungen Schritt für Schritt.„

Aufgabe 2: Bild- und Videogenerierung

Immediate: „Erstellen Sie einen filmischen, futuristischen Kontrollraum, der vollständig von KI-Agenten betrieben wird, die globale Geschäftsabläufe in Echtzeit koordinieren. Die Szene sollte holografische Workflow-Karten, autonome, miteinander kommunizierende KI-Systeme, dynamische Dashboards und eine Cyberpunk-inspirierte Atmosphäre mit realistischer Beleuchtung und hohen visuellen Particulars umfassen.“„

Ein ausreichend gutes Bild. Aber ich wollte es noch mehr testen. Um die neuen Videogenerierungsfunktionen von Qwen3.7 Max zu testen, habe ich dasselbe Bild als Eingabe für das Video verwendet und im Gegenzug das folgende Video erhalten:

Dies conflict eine vollständige KI-Era. Von der Eingabeaufforderung über die erste Bildantwort bis hin zur anschließenden Videogenerierung. Stellen Sie sich nun vor, wir würden ihm eigene Bilder und/oder Eingabeaufforderungen geben, die darauf zugeschnitten sind, die besten Antworten zu erhalten.

Aufgabe 3: Codierung

Immediate: „Schreiben Sie ein Python-Skript, das einen Ordner auf neu hinzugefügte CSV-Dateien überwacht, fehlende Werte automatisch bereinigt, die Dateien in einem einzigen Datensatz zusammenführt und einen zusammenfassenden Bericht generiert, der Folgendes enthält:

– Gesamtzahl der verarbeiteten Zeilen
– Statistiken zu fehlenden Werten
– Duplikaterkennung
– Grundlegende spaltenweise Analysen

Erklären Sie dann Schritt für Schritt die Logik des Skripts und schlagen Sie mögliche Optimierungen für den Umgang mit sehr großen Datensätzen vor.“

Die Resonanz ist technisch stark und zeigt ein gutes Verständnis skalierbarer Datenverarbeitungskonzepte wie Chunked Execution, Parquet Storage und Out-of-Core-Frameworks wie Dask und Polars. Allerdings ist es für die ursprüngliche Aufgabe etwas überentwickelt und zu ausführlich, sodass Teile davon eher KI-generiert als von Natur aus prägnant wirken.

Abschluss

Qwen3.7-Max könnte für KI-Programmierer und -Entwickler wertvoll sein, die an Coding-Agent-Pipelines, Device-Aufrufen, Tabellenkalkulationsautomatisierung und mehrsprachigen Arbeitsabläufen arbeiten. Technische Führungskräfte sollten es als Teil einer umfassenderen Agentenplattformstrategie bewerten, insbesondere wenn ihre Organisation bereits Alibaba Cloud nutzt oder starke Mehrsprachigkeits- und Codierungsfunktionen benötigt.

Die Hauptsorge besteht darin, dass Qwen3.7-Max proprietär ist, sodass die Benchmark-Ergebnisse des Anbieters intern überprüft werden sollten. Der beste Ansatz besteht darin, es anhand Ihres aktuellen Modells an realen Aufgaben zu testen und dabei die Erfolgsquote, die Aufgabenkosten, die Latenz, die Wiederholungsversuche und den erforderlichen menschlichen Aufwand zu messen.

Harsh Mishra ist ein KI/ML-Ingenieur, der mehr Zeit damit verbringt, mit großen Sprachmodellen zu sprechen als mit echten Menschen. Leidenschaftlich für GenAI, NLP und die intelligentere Entwicklung von Maschinen (damit sie ihn noch nicht ersetzen). Wenn er nicht gerade Modelle optimiert, optimiert er wahrscheinlich seinen Kaffeekonsum.

Während eines Sommerpraktikums am MIT Lincoln Laboratory untersuchte Ivy Mahncke, Studentin der Robotiktechnik am Olin Faculty of Engineering, einen praktischen Ansatz zum Testen von Algorithmen für die Unterwassernavigation. Ihre Liebe zur Arbeit mit Unterwasserrobotik entdeckte sie erstmals 2024 als Praktikantin an der Woods Gap Oceanographic Establishment. Angezogen von der Likelihood, neue Probleme anzugehen und modernste Algorithmen zu entwickeln, begann Mahncke 2025 ein Praktikum bei der Superior Undersea Programs and Know-how Group des Lincoln Laboratory.

Mahncke verbrachte den Sommer damit, einen Algorithmus zu entwickeln und Fehler zu beheben, der einem menschlichen Taucher und einem Roboterfahrzeug dabei helfen würde, gemeinsam unter Wasser zu navigieren. Das Fehlen traditioneller Lokalisierungshilfen – wie des International Positioning System oder GPS – in einer Unterwasserumgebung stellte die Navigation vor Herausforderungen, die Mahncke und ihre Mentoren zu meistern versuchten. Ihre Arbeit im Labor gipfelte in Feldtests des Algorithmus an einem einsatzbereiten Unterwasserfahrzeug. Mahncke begleitete die Mitarbeiter der Gruppe zu Feldteststandorten im Atlantischen Ozean, am Charles River und am Lake Superior und hatte die Gelegenheit, ihre Software program in der realen Welt in Aktion zu sehen.

„Eine der leitenden Ingenieurinnen des Projekts hatte sich abgespalten, um andere Arbeiten zu erledigen. Und sie sagte: ‚Hier ist mein Laptop computer. Hier sind die Dinge, die Sie tun müssen. Ich vertraue darauf, dass Sie sie erledigen.‘ Und so durfte ich nicht nur als zusätzliches Paar Hände auf dem Wasser sein, sondern als einer der führenden Feldtester“, sagt Mahncke. „Ich hatte wirklich das Gefühl, dass meine Vorgesetzten mich als die zukünftige Era von Ingenieuren sahen, sei es am Lincoln Lab oder einfach in der Branche insgesamt.“

Madeline Miller, Mahnckes Praktikumsbetreuerin, sagt: „Ivys Praktikum fiel mit einer Reihe strenger Feldtests am Ende eines ehrgeizigen Programms zusammen. Wir haben sie im übertragenen Sinne direkt ins Wasser geworfen, und sie schwamm nicht nur, sondern spielte auch eine wesentliche Rolle bei der Fähigkeit unseres Programms, mehrere Ziele zu erreichen.“

Lincoln Laboratory Sommerforschungsprogramm läuft von Mitte Mai bis August. Bewerbungen sind ab sofort möglich.

Video von Tim Briggs/MIT Lincoln Laboratory | 2 Minuten, 59 Sekunden

NVIDIA hat VIBETENSOR veröffentlicht, einen Open-Supply-Software program-Stack für Forschungssysteme für Deep Studying. VIBETENSOR wird von LLM-gestützten Kodierungsagenten unter hochrangiger menschlicher Anleitung generiert.

Das System stellt eine konkrete Frage: Können Codierungsagenten eine kohärente Deep-Studying-Laufzeit generieren, die Python- und JavaScript-APIs bis hin zu C++-Laufzeitkomponenten und CUDA-Speicherverwaltung umfasst, und diese nur durch Instruments validieren?

Architektur vom Frontend bis zur CUDA-Laufzeit

VIBETENSOR implementiert eine Keen-Tensor-Bibliothek im PyTorch-Stil mit einem C++20-Kern für CPU und CUDA, einem Torch-ähnlichen Python-Overlay über Nanobind und einer experimentellen Node.js/TypeScript-Schnittstelle. Es zielt über CUDA auf Linux x86_64- und NVIDIA-GPUs ab und Builds ohne CUDA werden absichtlich deaktiviert.

Der Kernstapel umfasst ein eigenes Tensor- und Speichersystem, einen Schema-Lite-Dispatcher, eine Reverse-Mode-Autograd-Engine, ein CUDA-Subsystem mit Streams, Ereignissen und CUDA-Graphen, einen Stream-geordneten Caching-Allokator mit Diagnose und ein stabiles C-ABI für dynamisch geladene Operator-Plugins. Frontends in Python und Node.js teilen sich einen C++-Dispatcher, eine Tensor-Implementierung, eine Autograd-Engine und eine CUDA-Laufzeit.

Das Python-Overlay macht a verfügbar vibetensor.torch Namespace mit Tensorfabriken, Operator Dispatch und CUDA-Dienstprogrammen. Das Node.js-Frontend basiert auf der Node-API und konzentriert sich auf die asynchrone Ausführung, wobei Employee-Scheduling mit Einschränkungen für gleichzeitige Inflight-Arbeiten verwendet wird, wie in den Implementierungsabschnitten beschrieben.

Auf der Laufzeitebene TensorImpl stellt eine Ansicht über referenzgezählt dar Storagemit Größen, Schritten, Speicheroffsets, Dtype, Gerätemetadaten und einem gemeinsamen Versionszähler. Dies unterstützt nicht zusammenhängende Ansichten und Aliasing. A TensorIterator Das Subsystem berechnet Iterationsformen und pro-Operanden-Schritte für elementweise und Reduktionsoperatoren, und die gleiche Logik wird durch die Plugin-ABI verfügbar gemacht, sodass externe Kernel denselben Aliasing- und Iterationsregeln folgen.

Der Dispatcher ist Schema-Lite. Es ordnet Operatornamen Implementierungen über CPU- und CUDA-Dispatch-Schlüssel hinweg zu und ermöglicht Wrapper-Layer für Autograd- und Python-Überschreibungen. Geräterichtlinien erzwingen Invarianten wie „alle Tensor-Eingaben auf demselben Gerät“ und lassen gleichzeitig Raum für spezielle Richtlinien für mehrere Geräte.

Autograd, CUDA-Subsystem und Multi-GPU-Cloth

Autograd im umgekehrten Modus verwendet Knoten- und Kantendiagrammobjekte und einen Tensor AutogradMeta. Beim Rückwärtslauf verwaltet die Engine die Abhängigkeitsanzahl, Gradientenpuffer professional Eingabe und eine Bereitschaftswarteschlange. Bei CUDA-Tensoren werden CUDA-Ereignisse aufgezeichnet und darauf gewartet, um stromübergreifende Gradientenflüsse zu synchronisieren. Das System enthält außerdem einen experimentellen Autograd-Modus für mehrere Geräte zur Erforschung der geräteübergreifenden Ausführung.

Das CUDA-Subsystem bietet C++-Wrapper für CUDA-Streams und -Ereignisse, einen Caching-Allokator mit Stream-geordneter Semantik sowie die Erfassung und Wiedergabe von CUDA-Graphen. Der Allokator umfasst Diagnosefunktionen wie Snapshots, Statistiken, Speicheranteilobergrenzen und GC-Leiter, um das Speicherverhalten bei Checks und Debugging beobachtbar zu machen. CUDA-Diagramme lassen sich in Allokator-„Diagrammpools“ integrieren, um die Speicherlebensdauer bei der Erfassung und Wiedergabe zu verwalten.

Das Cloth-Subsystem ist eine experimentelle Multi-GPU-Schicht. Es stellt expliziten Peer-to-Peer-GPU-Zugriff über CUDA P2P und einheitliche virtuelle Adressierung bereit, wenn die Topologie dies unterstützt. Cloth konzentriert sich auf die Multi-GPU-Ausführung in einem Prozess und bietet Beobachtbarkeitsprimitive wie Statistiken und Ereignis-Snapshots anstelle eines vollständig verteilten Trainingsstapels.

Als Referenzerweiterung liefert VIBETENSOR ein Finest-Effort-CUTLASS-basiertes Ring-Allreduce-Plugin für NVIDIA-GPUs der Blackwell-Klasse aus. Dieses Plugin bindet experimentelle Ring-Allreduce-Kernel, ruft NCCL nicht auf und dient als anschauliches Beispiel, nicht als NCCL-Ersatz. Die Multi-GPU-Ergebnisse im Artikel basieren auf Cloth und diesem optionalen Plugin und werden nur für Blackwell-GPUs gemeldet.

Interoperabilität und Erweiterungspunkte

VIBETENSOR unterstützt den DLPack-Import und -Export für CPU- und CUDA-Tensoren und bietet einen C++20-Safetensors-Loader und -Saver für die Serialisierung. Zu den Erweiterbarkeitsmechanismen gehören Überschreibungen auf Python-Ebene, die von inspiriert sind torch.libraryein versioniertes C-Plugin ABI und Hooks für benutzerdefinierte GPU-Kernel, die in Triton- und CUDA-Vorlagenbibliotheken wie CUTLASS erstellt wurden. Das Plugin ABI stellt DLPack-basierte dtype- und Gerätemetadaten bereit und TensorIterator Helfer, sodass externe Kernel mit denselben Iterations- und Aliasing-Regeln wie integrierte Operatoren integriert werden.

KI-gestützte Entwicklung

VIBETENSOR wurde unter Verwendung von LLM-gestützten Codierungsagenten als Hauptcodeautoren entwickelt, die sich ausschließlich an menschlichen Spezifikationen auf hoher Ebene orientierten. Etwa zwei Monate lang definierten Menschen Ziele und Einschränkungen, dann schlugen Agenten Codeunterschiede vor und führten Builds und Checks durch, um sie zu validieren. Die Arbeit führt kein neues Agenten-Framework ein, sondern behandelt Agenten als Black-Field-Instruments, die die Codebasis unter werkzeugbasierten Prüfungen modifizieren. Die Validierung basiert auf C++-Checks (CTest), Python-Checks über Pytest und Differenzprüfungen anhand von Referenzimplementierungen wie PyTorch für ausgewählte Operatoren. Das Forschungsteam umfasst außerdem längere Trainingsregressionen sowie Allokator- und CUDA-Diagnosen, um zustandsbehaftete Fehler und Leistungspathologien zu erkennen, die in Unit-Checks nicht auftauchen.

Wichtige Erkenntnisse

• KI-generierter, CUDA-first Deep-Studying-Stack: VIBETENSOR ist eine Open-Supply-Laufzeitumgebung im PyTorch-Stil für Apache 2.0, deren Implementierungsänderungen von LLM-Coding-Brokers generiert wurden und auf Linux x86_64 mit NVIDIA-GPUs und CUDA als zwingende Anforderung abzielen.
• Vollständige Laufzeitarchitektur, nicht nur Kernel: Das System umfasst einen C++20-Tensorkern (TensorImpl/Storage/TensorIterator), einen Schema-Lite-Dispatcher, Reverse-Mode-Autograd, ein CUDA-Subsystem mit Streams, Ereignissen, Diagrammen, einen Stream-geordneten Caching-Allokator und eine versionierte C-Plugin-ABI, die über Python verfügbar gemacht wird (vibetensor.torch) und experimentelle Node.js-Frontends.
• Toolgesteuerter, agentenzentrierter Entwicklungsworkflow: Über einen Zeitraum von etwa zwei Monaten spezifizierten Menschen übergeordnete Ziele, während Agenten Diffs vorschlugen und diese über CTest, Pytest, Differentialprüfungen gegen PyTorch, Allokatordiagnose und Lengthy-Horizon-Trainingsregressionen validierten, ohne manuelle Codeüberprüfung professional Diff.
• Starke Mikrokernel-Beschleunigung, langsameres Finish-to-Finish-Coaching: KI-generierte Kernel in Triton/CuTeDSL erreichen in isolierten Benchmarks bis zu ~5–6-fache Geschwindigkeitssteigerungen gegenüber PyTorch-Basislinien, aber komplette Trainings-Workloads (Transformer-Spielzeugaufgaben, CIFAR-10 ViT, LM im MiniGPT-Stil) laufen 1,7-mal bis 6,2-mal langsamer als PyTorch, was die Lücke zwischen der Leistung auf Kernel- und Systemebene unterstreicht.

Schauen Sie sich das an Papier Und Repo hier. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Zhipu AI hat GLM-4,6 veröffentlicht, ein großes Replace für ihre GLM-Serie, die sich auf agierische Workflows, langkontextbezogene Argumentation und praktische Codierungsaufgaben konzentriert. Das Modell erhöht das Eingangsfenster auf 200k Token mit a 128K Max -Ausgangzielt auf einen niedrigeren Tokenverbrauch bei angewandten Aufgaben ab und schiffen mit Offene Gewichte Für lokale Bereitstellung.

Additionally, was genau ist neu?

• Kontext + Ausgangsbegrenzungen: 200k Eingabekontext und 128K Maximale Ausgangs -Token.
• Codierungsergebnisse der realen Welt: Auf dem erweiterten CC-Financial institution (Multi-Flip-Aufgaben, die von menschlichen Evaluatoren in isolierten Docker-Umgebungen ausgeführt werden, wird berichtet Nahe Parität mit Claude Sonnet 4 (48,6% Gewinnrate) und verwendet ~ 15% weniger Token gegen GLM-4,5 Aufgaben beenden. Aufgabenaufforderungen und Agentenbahnen werden zur Inspektion veröffentlicht.
• Benchmark -Positionierung: Zhipu fasst „klare Gewinne“ über GLM-4,5 in acht öffentlichen Benchmarks und Staaten Parität mit Claude Sonnet 4/40 auf mehreren zusammen; Es stellt auch fest GLM-4.6 bleibt immer noch Sonett 4.5 beim Codieren zurück– Eine nützliche Einschränkung für die Modellauswahl.
• Verfügbarkeit von Ökosystemen: GLM-4.6 ist über verfügbar Z.ai API Und OpenRouter; Es wird in beliebte Codierungsagenten (Claude Code, Cline, Roo -Code, Kilo -Code) und vorhandene Codierungsplan -Benutzer integriert, indem sie den Modellnamen auf umschalten glm-4.6.
• Offene Gewichte + Lizenz: Umarmende Gesichtsmodellkartenlisten Lizenz: MIT Und Modellgröße: 355b Params (MOE) mit BF16/F32 -Tensoren. (MOE „Gesamtparameter“ entsprechen den aktiven Parametern professional Token nicht. Für 4,6 auf der Karte wird keine aktive Params angegeben.)
• Lokale Inferenz: vllm Und Sglang werden für die lokale Portion unterstützt; Gewichte sind eingeschaltet Umarmtes Gesicht Und ModelsCope.

Zusammenfassung

GLM-4,6 ist ein inkrementeller, aber materieller Schritt: ein 200k-Kontextfenster, ~ 15% Token-Reduktion auf CC-Bench gegen GLM-4,5, Nahparkitätsaufgabe Win-Fee mit Claude-Sonett 4 und sofortige Verfügbarkeit über Z.AI, OpenRouter und offene Artifakte für lokale Servierungen.

FAQs

1) Was sind die Kontext- und Ausgangs -Token -Grenzen?
GLM-4.6 unterstützt a 200k Eingabekontext und 128K Maximale Ausgangs -Token.

2) Sind offene Gewichte verfügbar und unter welcher Lizenz?
Ja. Die Umarmungsgesichts -Modellkartenlisten Offene Gewichte mit Lizenz: MIT und a 357B-Parameter Moe Konfiguration (BF16/F32 -Tensoren).

3) Wie ist GLM-4,6 mit GLM-4,5 und Claude Sonnet 4 bei angewendeten Aufgaben verglichen?
Auf dem erweiterten CC-Financial institutionGLM-4.6 Berichte ~ 15% weniger Token gegen GLM-4,5 Und Nahe Eltern mit Claude Sonnet 4 (48,6% Win-Fee).

4) Kann ich GLM-4,6 lokal ausführen?
Ja. Zhipu liefert Gewichte auf Umarmung von Gesicht/Fashions und dokumentiert die lokale Schlussfolgerung mit vllm Und Sglang; Neighborhood-Quantisierungen werden für {Hardware} für Workstation-Klasse erscheinen.

Schauen Sie sich das an Github -SeiteAnwesend Umarmung der Gesichtsmodellkarte Und Technische Particulars. Fühlen Sie sich frei, unsere zu überprüfen Github -Seite für Tutorials, Codes und Notizbücher. Fühlen Sie sich auch frei, uns zu folgen Twitter Und vergessen Sie nicht, sich unserer anzuschließen 100k+ ml Subreddit und abonnieren Unser Publication.

Asif Razzaq ist der CEO von Marktechpost Media Inc. Sein jüngstes Bestreben ist die Einführung einer Medienplattform für künstliche Intelligenz, Marktechpost, die sich durch die ausführliche Berichterstattung über maschinelles Lernen und Deep-Studying-Nachrichten auszeichnet, die von einem breiten Publikum technisch intestine und leicht verständlich sind. Die Plattform verfügt über über 2 Millionen monatliche Ansichten und veranschaulicht ihre Beliebtheit des Publikums.

(empfohlene Lesen) Nvidia AI Open-Sources Vipe (Video Pose Engine): Ein leistungsstarkes und vielseitiges 3D-Videoannotationsinstrument für die räumliche KI

Bild von Autor | Chatgpt

# Einführung

Ai-generierter Code ist überall. Seit Anfang 2025 ist die „Vibe -Codierung“ (das KI -Schreibcode aus einfachen Eingabeaufforderungen zu lassen) in Knowledge Science -Groups explodiert. Es ist schnell, es ist zugänglich und erstellt eine Sicherheitskatastrophe. Neuere Forschungen von Veracode zeigen KI -Modelle auswählen Unsichere Codemuster 45% der Zeit. Für Java -Anwendungen? Das springt auf 72%. Wenn Sie Daten -Apps erstellen, die smart Informationen verarbeiten, sollten diese Zahlen Sie beunruhigen.

Die KI -Codierung verspricht Geschwindigkeit und Zugänglichkeit. Aber seien wir ehrlich darüber, was Sie für diese Bequemlichkeit handeln. Hier sind fünf Gründe, warum die Vibe -Codierung Bedrohungen zur Sicherung der Datenanwendungsentwicklung darstellt.

# 1. Ihr Code lernt aus kaputten Beispielen

Das Downside ist, dass die Mehrheit der analysierten Codebasen mindestens eine Sicherheitsanfälligkeit enthält, wobei viele von ihnen ein hohes Risikofehler beherbergen. Wenn Sie KI -Codierungswerkzeuge verwenden, rollen Sie die Würfel mit Mustern, die aus diesem gefährdeten Code gelernt werden.

AI -Assistenten können sichere Muster von unsicheren erkennen. Dies führt zu SQL -Injektionen, einer schwachen Authentifizierung und den freigelegten sensiblen Daten. Für Datenanwendungen werden sofortige Risiken erstellt, bei denen Datenbankabfragen Angriffe gegen Ihre kritischsten Informationen ermöglichen.

# 2. Hartcodierte Anmeldeinformationen und Geheimnisse in Datenverbindungen

KI -Codegeneratoren haben die gefährliche Angewohnheit, Anmeldeinformationen direkt im Quellcode zu harten, und erstellen einen Sicherheitsalptraum für Datenanwendungen, die sich mit Datenbanken, Cloud -Diensten und APIs mit sensiblen Informationen verbinden. Diese Praxis wird katastrophal, wenn diese hartcodierten Geheimnisse in der Versionskontrollgeschichte bestehen und von Angreifern Jahre später entdeckt werden können.

AI -Modelle generieren häufig Datenbankverbindungen mit Kennwörtern, API -Schlüssel und Verbindungszeichenfolgen, die direkt in den Anwendungscode eingebettet sind, anstatt sichere Konfigurationsverwaltung zu verwenden. Die Bequemlichkeit, in Ai-generierten Beispielen alles zu haben, schafft ein falsches Sicherheitsgefühl und lässt Ihre sensiblen Zugriffsanmeldeinformationen, die jedem mit dem Zugriff auf Code-Repository zugänglich sind, ausgesetzt.

# 3. Fehlende Eingabevalidierung in Datenverarbeitungspipelines

Knowledge Science-Anwendungen verarbeiten häufig Benutzereingänge, Dateien-Uploads und API-Anforderungen, aber AI-generierter Code implementiert konsequent die ordnungsgemäße Eingabevalidierung. Dadurch werden Einstiegspunkte für böswillige Dateneinspritzungen erstellt, mit denen ganze Datensätze beschädigt oder Code -Ausführungsangriffe aktiviert werden können.

KI -Modellen fehlen möglicherweise Informationen über die Sicherheitsanforderungen einer Anwendung. Sie erstellen Code, der einen Dateinamen ohne Validierung akzeptiert und Pfad -Traversal -Angriffe ermöglicht. Dies wird in Datenpipelines gefährlich, bei denen nicht validierte Eingänge ganze Datensätze beschädigen, Sicherheitskontrollen umgehen oder Angreifer ermöglichen, auf Dateien außerhalb der beabsichtigten Verzeichnisstruktur zugreifen zu können.

# 4. Unzureichende Authentifizierung und Autorisierung

AI-generierte Authentifizierungssysteme implementieren häufig grundlegende Funktionen, ohne die Sicherheitsauswirkungen auf die Datenzugriffskontrolle zu berücksichtigen und Schwachstellen im Sicherheitsumfang Ihrer Anwendung zu erstellen. Reale Fälle haben gezeigt, dass AI-generierte Code-Kennwörter mit verwerteten Algorithmen wie MD5, der Implementierung der Authentifizierung ohne Multi-Faktor-Authentifizierung und unzureichenden Sitzungsmanagementsystemen implementieren.

Datenanwendungen erfordern solide Zugriffskontrollen, um smart Datensätze zu schützen. Die Vibe-Codierung erzeugt jedoch häufig Authentifizierungssysteme, die rollenbasierte Zugriffskontrollen für Datenberechtigungen fehlen. Das Coaching der KI zu älteren, einfacheren Beispielen bedeutet, dass sie häufig Authentifizierungsmuster vorschlägt, die vor Jahren akzeptabel waren, aber jetzt als Sicherheits-Anti-Muster angesehen werden.

# 5. falsche Sicherheit durch unzureichende Checks

Der vielleicht gefährlichste Aspekt der Vibe -Codierung ist das falsche Sicherheitsgefühl, das es erstellt, wenn Anwendungen bei gleichzeitig schwerwiegenden Sicherheitsfehler korrekt zu funktionieren scheinen. AI-generierter Code führt häufig auf grundlegende Funktionalitätstests durch, während es sich um Schwachstellen wie logische Fehler, die Geschäftsprozesse, Rassenbedingungen in der gleichzeitigen Datenverarbeitung und subtile Fehler, die nur unter bestimmten Bedingungen erscheinen, beeinflussen.

Das Downside wird verschärft, da Groups, die Vibe -Codierung verwenden, möglicherweise das technische Know -how fehlt, um diese Sicherheitsprobleme zu identifizieren und eine gefährliche Kluft zwischen wahrgenommener Sicherheit und tatsächlicher Sicherheit zu schaffen. Unternehmen werden in der Sicherheitshaltung ihrer Anwendungen zu übermütig, basierend auf erfolgreichen Funktionstests, ohne zu erkennen, dass Sicherheitstests völlig unterschiedliche Methoden und Fachkenntnisse erfordert.

# Aufbau sicherer Datenanwendungen im Alter der Vibe -Codierung

Der Aufstieg der Vibe-Codierung bedeutet nicht, dass Knowledge Science-Groups eine vollständig unterstützte Entwicklung vollständig aufgeben sollten. Github Copilot Erhöhte Geschwindigkeit der Aufgabenabschluss sowohl für Junior- als auch für ältere Entwickler, was eindeutige Produktivitätsvorteile zeigt, wenn sie verantwortungsbewusst verwendet werden.

Aber hier ist, was tatsächlich funktioniert: Erfolgreiche Groups, die KI -Codierungs -Instruments verwenden, implementieren mehrere Schutzmaßnahmen, anstatt auf das Beste zu hoffen. Der Schlüssel besteht darin, den Code mit AI-generierten Code niemals ohne Sicherheitsüberprüfung bereitzustellen. Verwenden Sie automatisierte Scan -Instruments, um gemeinsame Schwachstellen zu fangen. Richtige Geheimverwaltungssysteme implementieren; Festlegen strenger Eingangsvalidierungsmuster; und verlassen Sie sich niemals ausschließlich auf Funktionstests zur Sicherheitsvalidierung.

Erfolgreiche Groups implementieren einen mehrschichtigen Ansatz:

• Sicherheitsbewusste Aufforderung Dies beinhaltet explizite Sicherheitsanforderungen in jeder KI -Interaktion
• Automatisiertes Sicherheitsscanning mit Instruments wie OWASP ZAP Und Sonarqube In CI/CD -Pipelines integriert
• Überprüfung der menschlichen Sicherheit von Sicherheitsentwicklern für alle Code mit AI-generiertem Code
• Kontinuierliche Überwachung mit Echtzeit-Bedrohungserkennung
• Regelmäßige Sicherheitstraining Damit die Groups auf KI -Codierungsrisiken auf dem Laufenden halten

# Abschluss

Die Vibe -Codierung stellt eine große Verschiebung der Softwareentwicklung dar, bietet jedoch ernsthafte Sicherheitsrisiken für Datenanwendungen. Die Bequemlichkeit der natürlichen Sprachprogrammierung kann die Notwendigkeit von Grundsätzen für Sicherheits-zu-Design-Prinzipien beim Umgang mit sensiblen Daten nicht außer Kraft setzen.

Es muss einen Menschen in der Schleife geben. Wenn eine Bewerbung von jemandem, der den Code nicht einmal überprüfen kann, vollständig stimmberechtig ist, kann sie nicht feststellen, ob er sicher ist. Knowledge Science-Groups müssen sich sowohl mit Enthusiasmus als auch Vorsicht an eine AI-unterstützte Entwicklung wenden und die Produktivitätsgewinne annehmen, während sie nie die Sicherheit für Geschwindigkeit opfern.

Die Unternehmen, die heute sichere Atmosphärencodierungspraktiken herausfinden, werden morgen gedeihen. Diejenigen, die nicht die Sicherheitsverletzungen erklären, anstatt Innovationen zu feiern.

Vinod Chugani wurde in Indien geboren und in Japan aufgewachsen und bringt eine globale Perspektive in die Bildung von Datenwissenschaft und maschinellem Lernen. Er überbrückt die Lücke zwischen aufstrebenden KI -Technologien und der praktischen Umsetzung für Berufstätige. Vinod konzentriert sich darauf, zugängliche Lernwege für komplexe Themen wie Agenten -KI, Leistungsoptimierung und KI -Engineering zu erstellen. Er konzentriert sich auf praktische Implementierungen für maschinelles Lernen und Mentoring der nächsten Era von Datenfachleuten durch Reside -Sitzungen und personalisierte Anleitung.

Großsprachige Modelle (LLMs), die für die Codierung spezialisiert sind, sind nun für die Softwareentwicklung ein wesentlicher Bestandteil der Produktivität durch Codegenerierung, Fehlerbehebung, Dokumentation und Refactoring. Der heftige Wettbewerb zwischen kommerziellen und Open-Supply-Modellen hat zu einem schnellen Fortschritt sowie zu einer Verbreitung von Benchmarks geführt, mit denen die Codierungsleistung und der Entwickler-Dienstprogramm objektiv gemessen werden sollen. Hier finden Sie einen detaillierten, datengetriebenen Blick auf die Benchmarks, Metriken und Prime-Spieler bis Mitte 2025.

Kernbenchmarks für die Codierung von LLMs

Die Branche verwendet eine Kombination aus öffentlichen akademischen Datensätzen, Reside-Bestandteilen und realen Workflow-Simulationen, um die besten LLMs für Code zu bewerten:

• Humaneral: Misst die Fähigkeit, korrekte Pythonfunktionen aus natürlichen Sprachbeschreibungen zu erzeugen, indem Code gegen vordefinierte Exams ausgeführt werden. Cross@1 -Scores (Prozentsatz der korrekten Probleme beim ersten Versuch) sind die Schlüsselmetrik. Prime -Modelle überschreiten jetzt 90%@1.
• MBPP (meist grundlegende Pythonprobleme): Bewertet die Kompetenz zu grundlegenden Programmierkonvertierungen, Einstiegsaufgaben und Python-Grundlagen.
• Sween-Bench: Zielt auf reale Software program-Engineering-Herausforderungen aus, die aus GitHub stammen und nicht nur die Codegenerierung, sondern auch die Auflösung und die praktische Workflow-Anpassung bewerten. Die Leistung wird als Prozentsatz der korrekt behobenen Probleme angeboten (z. B. Gemini 2,5 Professional: 63,8% auf SWE-Bench verifiziert).
• LivecodeBench: Ein dynamischer und kontaminationsresistenter Benchmark, das das Schreiben, die Reparatur, die Ausführung und die Vorhersage von Testausgaben für das Code einbezieht. Spiegelt LLM-Zuverlässigkeit und Robustheit bei mehrstufigen Codierungsaufgaben wider.
• BigCodeBench und Codexklebe: Verschiedene Process -Suites, die Automatisierung, Codesuche, Abschluss, Zusammenfassung und Übersetzungsfähigkeiten messen.
• Spider 2.0: Konzentrieren1.

Mehrere Bestenlisten – wie Vellum AI, APX ML, promptLayer und Chatbot Area – aggregieren auch aggregierte Punktzahlen, einschließlich der Rangliste der menschlichen Präferenz für subjektive Leistung.

Wichtige Leistungsmetriken

Die folgenden Metriken werden häufig zur Bewertung und Vergleich von Coding -LLMs verwendet:

• Genauigkeit auf Funktionsebene (Cross@1, Cross@okay): Wie oft die anfängliche (oder k-te) Antwort alle Exams kompiliert und besteht, wobei die Korrektheit der Basiscode angezeigt wird.
• Aufgabenlösungsrate der realen Welt: Gemessen als Prozent der geschlossenen Probleme auf Plattformen wie SWE-Bench, die die Fähigkeit widerspiegeln, echte Entwicklerprobleme anzugehen.
• Kontextfenstergröße: Das Codevolumen, das ein Modell sofort berücksichtigen kann, liegt zwischen 100.000 und über 1.000.000 Token für die neuesten Veröffentlichungen – entschlossen für die Navigation großer Codebasen.
• Latenz und Durchsatz: Zeit bis zum ersten Token (Reaktionsfähigkeit) und Token professional Sekunde (Generationsgeschwindigkeit) Affect Developer Workflow -Integration.
• Kosten: PRO-TOOKE-Preise, Abonnementgebühren oder Selbsthosting-Overhead sind entscheidend für die Einführung der Produktion.
• Zuverlässigkeits- und Halluzinationsrate: Häufigkeit von sachlich falschen oder semantisch fehlerhaften Codeausgängen, überwacht mit speziellen Halluzinationstests und menschlichen Bewertungsrunden.
• Menschliche Präferenz/ELO -Bewertung: Gesammelt über Crowd-Sourcing- oder Experten-Entwickler-Ranglisten für die Erzeugung von Kopf-an-Kopf-Codegenerierung.

Prime Coding LLMs – Mai -Juli 2025

So vergleichen sich die prominenten Modelle mit den neuesten Benchmarks und Funktionen: Funktionen:

Szenario-Bewertung der realen Welt

Zu den Finest Practices gehören jetzt direkte Exams zu den wichtigsten Workflow -Mustern:

• IDE -Plugins & Copilot Integration: Die Möglichkeit, innerhalb von VS -Code, Jetbrains oder GitHub Copilot Workflows zu verwenden.
• Simulierte Entwicklerszenarien: Z. B. Implementierung von Algorithmen, Sicherung von Internet -APIs oder Optimierung von Datenbankabfragen.
• Qualitatives Benutzerfeedback: Menschliche Entwicklerbewertungen leiten weiterhin API- und Werkzeugentscheidungen und ergänzen quantitative Metriken.

Aufkommende Developments und Einschränkungen

• Datenverschmutzung: Statische Benchmarks sind zunehmend anfällig für Überschneidungen mit Trainingsdaten. Neue, dynamische Codewettbewerbe oder kuratierte Benchmarks wie LivecodeBench liefern nicht kontaminierte Messungen.
• Agenten- und multimodale Codierung: Modelle wie Gemini 2.5 Professional und GROK 4 fügen praktische Umgebungsnutzungen (z. B. Ausführung von Shell-Befehlen, Dateinavigation) und visuelles Codeverständnis (z. B. Codediagramme) hinzu.
• Open-Supply-Innovationen: Deepseek und LLAMA 4 zeigen, dass offene Modelle für fortschrittliche DevOps und große Unternehmens -Workflows praktikabel sind, sowie eine bessere Privatsphäre/Anpassung.
• Entwicklerpräferenz: Menschliche Präferenzrankings (z. B. ELO -Scores aus der Chatbot -Area) sind neben empirischen Benchmarks zunehmend einflussreich für die Adoption und die Modellauswahl.

Zusammenfassend:

Prime Coding LLM-Benchmarks von 2025 Stability Static Perform-Degree-Exams (Humaneval, MBPP), Sensible Engineering Simulations (SWE-Bench, LiveCodebench) und Reside-Benutzerbewertungen. Metriken wie Cross@1, Kontextgröße, SWE-Bench-Erfolgsraten, Latenz und Entwicklerpräferenzen definieren die Führungskräfte zusammen. Zu den aktuellen herausragenden herausragenden Openai-Serien, Google, Gemini 2.5 Professional, Claude 3.7 von Anthropic, Deepseek R1/V3 und den neuesten LLAMA 4-Modellen von Meta.

Michal Sutter ist ein Datenwissenschaftler bei einem Grasp of Science in Knowledge Science von der College of Padova. Mit einer soliden Grundlage für statistische Analyse, maschinelles Lernen und Datentechnik setzt Michal aus, um komplexe Datensätze in umsetzbare Erkenntnisse umzuwandeln.

Python hat sich aufgrund der Einfachheit seiner Syntax, der Unverschämtheit von Code und einer Fülle von Bibliotheken zu einer der am meisten bevorzugten Programmiersprachen in der Welt der KI entwickelt. Egal, ob Sie maschinelle Lernmodelle erstellen, Aufgaben automatisieren oder nur Code schreiben, bietet Python einen Pfad für Anfänger, der leichter zu reisen ist. Nur weil Sie Code schreiben können, der ausgeführt wird, heißt das nicht, dass Sie Code schreiben, der intestine läuft. Wenn es um Codierung geht, ist es effiziente Angelegenheiten. In diesem Weblog werden wir die Finest Practices und einige effektive Ansätze zur sauberen und effizienten Python -Codierung abdecken – auch wenn Sie ein totaler Anfänger sind.

Warum ist es wichtig, Code effizient zu schreiben?

Selbst wenn Sie ein Anfänger sind, ist eine effiziente Codierung wichtig, da Ihre Software program schneller und mit weniger Ressourcen ausgeführt wird. Effizienter Code ist auch einfacher zu warten. Darüber hinaus kann es auf größere Datensätze skalieren, auf Benutzereingaben schneller reagieren und mit Lasten besser umgehen, wenn sich das System erweitert.

Hier sind einige weitere Gründe, warum es wichtig ist, zu schreiben effizienter Code:

1. Verbessert die Leistung: Der effiziente Code wird schneller ausgeführt und benötigt weniger Speicher. Dies ist wichtig bei großen Datensätzen, Echtzeitsystemen und begrenzten Ressourcen für cell oder eingebettete Systeme.
2. Code wird Sauberer und lesbarer: Duplizierung und überflüssige Komplexität machen es schwierig, Code zu verstehen oder zu pflegen. Effizienter Code beseitigt quick immer diese und Senken Sie die Wahrscheinlichkeit von Insekten. Dies würde wiederum zukünftige Skalierbarkeit ermöglichen.
3. Spart Zeit und Ressourcen: Der effiziente Code spart Rechenkosten und führt Aufgaben schneller aus, sodass eine schnellere Turnaround -Zeit für die Benutzererfahrung oder -analyse ermöglicht.
4. Spiegelt eine gute Problemlösung wider: Der effiziente Code zeigt ein gutes Verständnis der Algorithmen und Datenstrukturen sowie die Fähigkeit, kritisch über Kompromisse nachzudenken. Es liefert professionelle und produktionsqualitätsberufliche Arbeit.
5. Wichtig für Interviews und Wettbewerbe: In vielen Codierungsinterviews und wettbewerbsfähigen Programmieraufgaben müssen Codierer Code schreiben, der sowohl korrekt als auch effizient ist. Dies ist insbesondere bei Hackathons mit Zeit- oder Speicherbeschränkungen zu sehen.

Lesen Sie auch: Einführung in die Python -Programmierung

Wie man effizienten Python -Code schreibt

Das Schreiben eines effizienten Python -Codes ist mehr als nur eine Fähigkeit. Es ist ein Imperativ. Vom Erstellen von datenlasteten Anwendungen bis hin zur Automatisierung von Aufgaben bis hin zum intelligenteren Debuggen spart effizientes Codieren Zeit, verbessert die Leistung und verringert Fehler. Lassen Sie uns additionally lernen, wie man effiziente und saubere Python -Code schreibt, auch als Anfänger.

1. Entwicklungstools von AI-betriebenen Entwicklungen

Kontextbezogene KI-Instruments wie Chatgpt, Claude, Deepseek, Windsurf und Cursor können Python-Code Schreiben, Verständnis und Debuggen zum Kinderspiel machen! Beschreiben Sie einfach, was Sie tun möchten, und die erweiterte KI wird Sie durch den Prozess führen. EgalSie können die Python -Codierung erleichtern, insbesondere für Anfänger.

Schauen wir uns an, wie das gemacht wird.

2. Instruments für On-line -Codeanalyse

Schauen wir uns nun verschiedene On-line -Instruments an, die uns helfen, Python -Code zu verstehen, zu schreiben und zu debuggen. Dies sollte einfacher sein, insbesondere für diejenigen, die neu im Programmieren sind.

Python Tutor (Pythontutor.com): Mit diesem Instrument können Sie Schritt für Schritt visualisieren, wie Ihr Code tatsächlich ausgeführt wird. Es zeigt nicht nur an, wie jede Codezeile ausgeführt wirdes auch sWie ist die Änderungen in Variablen und Funktionen, wie sie auftreten? Es hilft Anfängern, die Logikverwendung, rekursive Funktionen und sogar die Zuweisung des Gedächtnisses zu verstehen. in ihrem Python -Code

• Replit oder Google Colab: Wo Sie Python -Code on-line schreiben, testen und teilen können, ohne etwas zu installieren.
• Windsurf oder Cursor: Leichte, KI-erste Codierungsumgebung, in der Code von KI unterstützt wird, um Ihnen beim Schreiben und Verständnis von Code zu helfen. Wunderbar für den schnellen Aufbau einfacher Prototypen oder zum Lernen mit KI -Unterstützung.

Lassen Sie es uns in Aktion sehen. In diesem Beispiel hatte ich die Eingabeaufforderung gegeben. Korrigieren Sie den Code, in dem ich Datenanalyse durchführen muss. Windsurf hat automatisch auf den Datensatz zugegriffen und mir den Code gegeben, um ihn zu reinigen.

3. Lern- und Übungsplattformen

Als nächstes diskutieren wir die Plattformen, mit denen Sie die Codierungsfähigkeiten verbessern und mit KI das Verständnis verbessern, schneller debuggen und effizienter lernen können. Hier finden Sie einige Tipps, wie Sie Lern- und Übungsplattformen sowie KI -Instruments nutzen, um Ihren Python -Code zu verbessern:

• Leetcode/Hackerrank mit KI -Unterstützung: Lösen Sie Codierungsprobleme und bitten Sie die KI, die optimalen Lösungen zu erklären. Die Fragen könnten wie: „Warum ist diese Lösung schneller als meine?“ oder „Können Sie diesen Code vereinfachen?“usw.

• Verwenden Sie die YouTube + AI -Tech -Kombination: Sehen Sie sich Tutorials zu Python an und veröffentlichen Sie alle verwirrenden Teile, die geklärt werden müssen zu einem KI -Instrument oder Chatbot.
• Stapelüberlauf + AI: Suchen Sie den Stack-Überlauf nach ähnlichen Problemen wie Ihre und bitten Sie die KI, die Antworten erneut zu belegen, um sich auf Ihren speziellen Anwendungsfall zu bewerben.

4. Instruments für automatisierte Codeverbesserung

Verwenden Sie automatisierte Werkzeuge und KI, um die Qualität Ihres Python mit wenig Aufwand zu verbessern. Sie sind besonders hilfreich, um Fehler zu finden und die Lesbarkeit und Professionalität Ihres Codes zu verbessern. Hier sind einige Möglichkeiten, um automatisierte Instruments für die Codeverbesserung zu verwenden:

• Überprüfen Sie automatisch die Qualität des Code: Automatisierte statische Codeanalyse -Instruments wie PyRINT oder FLAKE8 kann aNALEZE IHRE CODE und lassen Sie Sie wissen, ob:
  • beliebig Variablen sind ungenutzt
  • Die Formatierung verstößt gegen PEP8 (Pythons Model Information)
  • Es gibt Fehler oder Ineffizienzen
• Ändern Sie den Code in einen pythonischeren Stil: Sie können AI -Instruments verwenden, um den Code lesbarer und effizienter zu gestalten.
• Zur Dokumentation: Fügen Sie Docstrings und Kommentare für Ihre Funktionen hinzu. Verwenden von KI -Werkzeugen.

Ziel ist es, moderne Werkzeuge und KI zu nutzen, um das Lernen zu beschleunigen und Ineffizienzen zu erfassen, die Anfänger selbst verpassen könnten.

5. Kerneffizienztechniken für Python

Schreiben Sie einen schnelleren und saubereren Python-Code mit den zuvor eingeführten wichtigsten Effizienzkonzepten, verwenden Sie integrierte Innen und Bibliotheken, zwischengespeichert, effiziente Datenstrukturen und Vermeidung häufiger Leistungsfallen.

• Nutzen Sie integrierte und Bibliotheken intestine: Integrierte Funktionen (z. B. MAP (), filter (), sum (), Any (), alle ()) sowie integrierte Bibliotheken (Itertools und Sammlungen) wurden hauptsächlich optimiert.
• Unnötig vermeiden iterierend und doppelte Berechnungen: Cache -Ergebnisse mit functools.lru_cache, wann immer möglich.
• Verwenden Sie die richtige Datenstruktur: Betrachten Sie die Datenstruktur, mit der Sie die Aufgabe ausführen (z. B. Liste vs. Set). Verwenden Sie einen Satz, wenn Mitgliedertests alles, was mir wichtig ist, oder vielleicht ein Deque, wenn ich schnell anhängen oder platzen muss.
• Vermeiden Sie unnötig teure Vorgänge: Sie haben keine teuren Vorgänge in einer Schleife. Mit anderen Worten, verwenden Sie keine Funktion, für die teure Arbeiten in einer Schleife ausgeführt werden müssen oder mehrere Attributsuche durchführen müssen.

Lesen Sie auch: Ein vollständiges Python -Tutorial zum Erlernen von Datenwissenschaft von Grund auf neu

Abschluss

Python struggle schon immer eine anfängerfreundliche Sprache. Es macht die Codierung natürlich, selbst für diejenigen, die gerade erst anfangen. Aber jetzt, mit dem Anstieg von KI-angetriebenen Entwicklungstools, ist das Schreiben effizienter und lesbarer Python-Code noch einfacher geworden. Anfänger müssen nicht mehr allein durch Dokumentation oder Syntaxfehler kämpfen. Wir betreten eine intelligentere, schnellere und intuitivere Kodierungszeit, in der die Effizienz nicht mehr nur für Experten nicht mehr ist.

Datenwissenschaftler | AWS Licensed Options Architect | KI & ML Innovator

Als Datenwissenschaftler bei Analytics Vidhya spezialisiere ich mich auf maschinelles Lernen, Deep Studying und KI-gesteuerte Lösungen, die NLP-, Pc-Imaginative and prescient- und Cloud-Technologien nutzen, um skalierbare Anwendungen zu erstellen.

Mit einem B.Tech in Informatik (Information Science) aus VIT- und Zertifizierungen wie AWS Licensed Options Architect und TensorFlow umfasst meine Arbeit generative KI, Anomalie -Erkennung, falsche Nachrichtenerkennung und Emotionserkennung. Ich bemühe mich, intelligente Systeme zu entwickeln, die die Zukunft der KI prägen.

In diesem Fall zeichnet sich Claude 4 im Allgemeinen in Codierung, GPT-4O in der Argumentation und der Gemini 2.5 Professional überaus eine starke, ausgewogene Leistung in verschiedenen Modalitäten. Weitere Informationen finden Sie unter Besichtigung Hier.

Gesamtanalyse

Folgendes haben wir über diese fortgeschrittenen Schließmodelle gelernt, basierend auf den oben genannten Vergleichspunkten:

• Wir fanden heraus, dass Claude 4 in Codierung, Mathematik und Werkzeuggebrauch ausgestattet ist, aber es ist auch die teuerste.
• GPT-4O zeichnet sich in Argumentation und multimodaler Unterstützung aus, die verschiedene Eingabebeformate bearbeiten und es zu einer idealen Wahl für fortschrittlichere und komplexe Assistenten machen.
• In der Zwischenzeit bietet Gemini 2.5 Professional eine starke und ausgewogene Leistung mit dem größten Kontextfenster und der kostengünstigsten Preise.

Claude 4 gegen GPT-4O gegen Gemini 2.5 Professional: Codierungsfunktionen

Jetzt werden wir die Codebriting-Funktionen von Claude 4, GPT-4O und Gemini 2.5 Professional vergleichen. Dafür geben wir allen drei Modellen die gleiche Aufforderung und bewerten ihre Antworten auf die folgenden Metriken:

• Effizienz
• Lesbarkeit
• Kommentar und Dokumentation
• Fehlerbehandlung

Aufgabe 1: Designspielkarten mit HTML, CSS und JS

Eingabeaufforderung: “Erstellen Sie eine interaktive Webseite, auf der eine Sammlung von WWE -Famous person -Flash -Karten mithilfe von HTML, CSS und JavaScript angezeigt wird. Jede Karte sollte einen WWE -Wrestler darstellen und muss eine Vorder- und Rückseite enthalten. Zeigen Sie auf der Vorderseite den Namen und das Bild des Wrestlers an. Zeigen Sie auf der Rückseite zusätzliche Statistiken wie ihren Abschluss-, Marken- und Meisterschaftstitel. Die Karteikarten sollten über eine Flip -Animation verfügen, wenn sie überschritten oder geklickt werden.

Fügen Sie außerdem interaktive Steuerelemente hinzu, um die Seitendynamik zu machen: eine Schaltfläche, die die Karten mischt, und eine andere, die eine zufällige Karte vom Deck anzeigt. Das Format sollte visuell ansprechend und für verschiedene Bildschirmgrößen reagieren. Bonuspunkte Wenn Sie Soundeffekte wie Eingangsmusik aufnehmen, wenn eine Karte umgedreht wird.

Wichtige Funktionen zum Implementieren:

• Vorderseite der Karte: Wrestlers Title + Bild
• Zurück der Karte: Statistiken (z. B. Finisher, Marke, Titel)
• Flip -Animation mit CSS oder JS
• „Shuffle“ -Style, um Karten zufällig neu zu bestellen
• „Random Famous person“ -Style
• Responsive Design.”

Die Antwort von Claude 4:

Antwort von GPT-4o:

Die Antwort von Gemini 2.5 Professional:

Vergleichende Analyse

In der ersten Aufgabe gab Claude 4 das interaktive Erlebnis mit den dynamischsten Visuals. Beim Klicken auf die Karte wurden auch ein Soundeffekt hinzugefügt. GPT-4O gab ein schwarzes Thema mit reibungslosen Übergängen und voll funktionsfähigen Schaltflächen, fehlte jedoch die Audiofunktionalität. In der Zwischenzeit gab Gemini 2.5 Professional das einfachste und grundlegendste sequenzielle Format ohne Animation oder Ton. Außerdem konnte die Zufallskartenfunktion in diesem Fall das Gesicht der Karte nicht richtig angezeigt. Insgesamt übernimmt Claude hier die Führung, gefolgt von GPT-4O und dann Gemini.

Aufgabe 2: Erstellen Sie ein Spiel

Immediate: “Spell Technique Sport ist ein rundenbasiertes Kampfspiel mit Pygame, bei dem zwei Magier mit Zaubersprüchen aus ihren Zauberbüchern konkurrieren. Jeder Spieler beginnt mit 100 PS und 100 Mana und wählt abwechselnd Zaubersprüche aus, die Schäden verursachen, heilen oder Spezialeffekte wie Schilde und Stuns anwenden. Zauber konsumieren Mana und haben Abklingzeiten, sodass die Spieler Ressourcen verwalten und sorgfältig strategisieren. Das Spiel verfügt über eine ansprechende Benutzeroberfläche mit Gesundheits- und Mana -Bars und Zauberabklingindikatoren. Die Spieler können sich gegen einen anderen Menschen oder einen KI -Gegner stellen, um die HP ihres Rivalen durch taktische Entscheidungen auf Null zu reduzieren.

Schlüsselmerkmale:

• Rundenbasiertes Gameplay mit zwei Magiern (PVP oder PVAI)
• 100 PS und 100 Mana professional Spieler
• Zauberbuch mit verschiedenen Zauber: Schaden, Heilung, Schilde, Stuns, Mana -Aufladung
• Mana -Kosten und Abklingzeiten für jeden Zauber, um strategisches Spiel zu fördern
• Visuelle UI -Elemente: Gesundheits-/Mana -Balken, Abklingsindikatoren, Zauberikonen
• KI-Gegner mit einfacher taktischer Entscheidungsfindung
• Maussteuerungsteuerungen mit optionalen Tastaturverknüpfungen
• Klare Messaging im Spiel, die Aktionen und Effekte zeigt”

Die Antwort von Claude 4:

Antwort von GPT-4o:

Die Antwort von Gemini 2.5 Professional:

Vergleichende Analyse

In der zweiten Aufgabe lieferte keines der Modelle die richtige Grafik. Jeder zeigte einen schwarzen Bildschirm mit einer minimalen Schnittstelle. Claude 4 bot jedoch die funktionsfähigste und reibungsloseste Kontrolle über das Spiel mit einer Vielzahl von Angriff, Verteidigung und anderen strategischen Gameplay. GPT-4O hingegen litt unter Leistungsproblemen wie Verzögerung und einer kleinen und prägnanten Fenstergröße. Sogar Gemini 2.5 Professional fiel hier zu kurz, da sein Code nicht lief und einige Fehler machte. Insgesamt übernimmt Claude hier wieder die Führung, gefolgt von GPT-4O und dann Gemini 2.5 Professional.

Aufgabe 3: Beste Zeit zum Kauf und Verkauf von Aktien

Immediate: “Sie erhalten eine Array -Preise, bei der die Preise (i) der Preis einer bestimmten Aktie am Tag des ITH -Tages sind.
Finden Sie den maximalen Gewinn, den Sie erzielen können. Sie können höchstens zwei Transaktionen abschließen.
Notiz: Sie dürfen nicht gleichzeitig mehrere Transaktionen durchführen (dh die Aktie, bevor Sie erneut kaufen).
Beispiel:
Enter: Preise = (3,3,5,0,0,3,1,4)
Ausgabe: 6
Erläuterung: Kaufen Sie am Tag 4 (Preis = 0) und verkaufen Sie am Tag 6 (Preis = 3), Gewinn = 3-0 = 3. Dann kaufen Sie am Tag 7 (Preis = 1) und verkaufen am Tag 8 (Preis = 4), Gewinn = 4-1 = 3.”

Die Antwort von Claude 4:

Antwort von GPT-4o:

Die Antwort von Gemini 2.5 Professional:

Vergleichende Analyse

In der dritten und letzten Aufgabe tEr Modelle mussten das Downside mithilfe der dynamischen Programmierung lösen. AMong der drei, GPT-4O-Angeboted Die praktischste und wohlhabendste Lösung, die eine saubere 2D-dynamische Programmierung mit sichere Initialisierung verwendet und auch einbeziehtD Testfälle. Während Claude 4 zur Verfügung stelltD Ein detaillierterer und pädagogischerer Ansatz ist ausführlicher. In der Zwischenzeit, Gemini 2.5 Professional gab eine prägnante Methode, aber verwenden Sie aberD INT_MIN -Initialisierung, was ein riskanter Ansatz ist. In dieser Aufgabe übernimmt GPT-4O die FührungAnwesend gefolgt von Claude 4 und dann Gemini 2.5 Professional.

Letztes Urteil: Gesamtanalyse

Hier ist eine vergleichende Zusammenfassung, wie intestine jedes Modell in den obigen Aufgaben ausgeführt wurde.

Aufgabe	Claude 4	Gpt-4o	Gemini 2.5 Professional	Gewinner
Aufgabe 1 (Karte UI)	Am interaktivsten mit Animationen und Soundeffekten	Glattes dunkles Thema mit funktionalen Schaltflächen, kein Audio	Grundlegendes sequentielles Format, Kartengesichtsproblem, keine Animation/Sound	Claude 4
Aufgabe 2 (Spielkontrolle)	Easy Controls, breite Strategieoptionen, das funktionale Spiel	Nutzbar, aber verzögert, kleines Fenster	Fehlgeschlagen, Schnittstellenfehler	Claude 4
Aufgabe 3 (Dynamische Programmierung)	Ausführlich aber lehrreich, intestine zum Lernen	Saubere und sichere DP -Lösung mit Testfällen, am praktischsten	Prägnant, aber unsicher (verwendet int_min), fehlt Robustheit	Gpt-4o

Um die vollständige Model aller Codedateien zu überprüfen, besuchen Sie bitte Hier.

Abschluss

Durch diesen umfassenden Vergleich von drei verschiedenen Aufgaben haben wir nun festgestellt, dass Claude 4 mit seinen interaktiven UI -Entwurfsfunktionen und stabilen Logik in der modularen Programmierung heraussticht, was es insgesamt zum Prime -Performer macht. Während GPT-4O eng mit seiner sauberen und praktischen Kodierung folgt und sich in der algorithmischen Problemlösung auszeichnet. In der Zwischenzeit fehlt Gemini 2.5 Professional in der UI -Design und Stabilität in der Ausführung über alle Aufgaben hinweg. Diese Beobachtungen basieren jedoch vollständig auf dem obigen Vergleich, während jedes Modell einzigartige Stärken aufweist und die Auswahl des Modells vollständig von dem Downside abhängt, das wir lösen möchten.

Hallo! Ich bin Vipin, ein leidenschaftlicher Information Science und maschinelles Lernen, der eine starke Grundlage für die Datenanalyse, Algorithmen und Programmierung maschinelles Lernens und Programmierung hat. Ich habe praktische Erfahrungen beim Aufbau von Modellen, beim Verwalten unordentlicher Daten und die Lösung realer Probleme. Mein Ziel ist es, datengesteuerte Erkenntnisse anzuwenden, um praktische Lösungen zu erstellen, die Ergebnisse erzielen. Ich bin bestrebt, meine Fähigkeiten in einer kollaborativen Umgebung beizutragen und gleichzeitig in den Bereichen Datenwissenschaft, maschinelles Lernen und NLP zu lernen und zu wachsen.

Melden Sie sich an, um weiter zu lesen und Experten-Kuratinhalte zu genießen.

Lesen Sie weiter kostenlos

Die Welt der Softwareentwicklung entwickelt sich ständig weiter. Mit dem Aufkommen leistungsstarker KI -Instruments, kollaborativen Plattformen und einem wachsenden Schwerpunkt auf Entwicklererfahrungen ändert sich auch der traditionelle Ansatz zur Codierung. Geben Sie einen neuen Ansatz ein: Vibe -Codierung. Bei der Vibe -Codierung geht es nicht nur darum, Code zu schreiben. Es geht darum, den kreativen Prozess zu nutzen, intelligente Werkzeuge zu nutzen und einen Workflow zu kultivieren, der ein Gleichgewicht zwischen Produktivität und echtem Genuss beeinträchtigt. Dieser Leitfaden führt Sie durch die Vibe -Codierung und rüstet Sie mit den wesentlichen Regeln aus, um sie zu beherrschen.

Was ist Stimmung codieren?

Die Vibe -Codierung ist ein Ansatz, bei dem der Durchfluss, Kreativität und schnelle Iteration neben der technischen Qualität priorisiert. Konzeptionell geprägt von Zahlen wie Andrej Karpathy, dem Mitbegründer von Openai, beinhaltet häufig die Interaktion mit mit Großspracher Modelle (LLMs) und KI -Codierungsassistenten, die natürliche Sprachanforderungen verwenden, anstatt sorgfältig jede Codezeile von Grund auf neu zu erstellen.

Warum wird die Vibe -Codierung populär?

Die Vibe -Codierung fördert die Verwendung moderner Werkzeuge, die schnell iterische Iterie und die Aufrechterhaltung einer hohen kreativen Energie, wechselt den Fokus von der mühsamen Typisierung auf strategische Richtung und Verfeinerung. Hier sind einige der wichtigsten Gründe für die wachsende Popularität der Vibe -Codierung:

• Mit natürlicher Sprache können auch diejenigen ohne tiefgreifende Kodierungshintergrund funktionale Software program erstellen, wodurch Experimente und Lernen beschleunigt werden.
• Mit KI -Instruments können Entwickler schnell von der Idee zur Implementierung übergehen: Generieren, Testen und Raffinieren von Code in Minuten statt Stunden.
• Die Vibe -Codierung fördert die Erkundung und Flexibilität und macht es best für Nebenprojekte, minimale lebensfähige Produkte (MVPs) und iteratives Design.
• Instruments wie Github Copilot, Claude und ChatGPT verhalten sich wie Paarprogrammierer, bieten Vorschläge, Behebungsfehler und Verbesserung der Codestruktur in Echtzeit.
• Anstatt jede Linie zu perfektionieren, konzentrieren sich die Entwickler nun auf Dynamik und verwenden KI, um Lösungen zu skizzieren und sie während des Gehens zu verfeinern.

Vibe -Codierungswesentliche

Stellen Sie vor dem Eintauchen in die Prinzipien sicher, dass Sie ein paar Wesentliche haben:

• AI-Built-in Code Editor: Instruments wie VS-Code mit Github Copilot, Cursor (AI-First Editor) oder Cloud-Umgebungen wie Replit sind hervorragende Ausgangspunkte.
• Zugang zu einem LLM: Ein leistungsstarker Chatbot wie Chatgpt (OpenAI), Claude (Anthropic) oder Gemini (Google) ist von unschätzbarem Wert für Forschung, Brainstorming und Debugging außerhalb des Herausgebers.
• Versionskontrolle: Ein Git- und Github-Konto (oder ein ähnliches) Konto ist nicht verhandelbar, um Änderungen zu verfolgen und Ihre Arbeit zu speichern (Regel Nr. 12 deckt dies ab).
• Neugier und Offenheit: Sei bereit zu experimentieren und zu lernen!

Mit diesen wichtigen Grundlagen können Sie Ihre Stimmung Coding Journey beginnen.

13 Regeln für die Grasp -Vibe -Codierung

Das Einrichten von Regeln für die „Vibe -Codierung“ klingt wie ein Killjoy für einen Prozess, der größtenteils auf „Vibes“ ausgeht. Aber es ist besser zu wissen, wie man das Beste aus einer Technik nimmt, um sein Potenzial wirklich zu erkennen. Die folgenden Regeln können Ihnen helfen, die „Vibe -Codierung“ auf bestmögliche Weise zu nutzen:

1. Beginnen Sie mit einer Vorlage: Erfinden Sie das Rad nicht neu. Verwenden Sie Projektvorlagen (aus Frameworks, Open-Supply-Communities oder Ihren eigenen), um das Kesselplattenaufbau zu verarbeiten, einschließlich Struktur, Konfiguration und grundlegender Authentifizierung. Auf diese Weise können Sie Energie sofort auf einzigartige Funktionen konzentrieren.
   • Nutzen: Es spart Zeit, sorgt für Konsistenz und reduziert die Einrichtungsfehler.
   • Um das zu tun: Erforschen Sie Create-Subsequent-App, vite, CookieCutter-Vorlagen oder rahmenspezifische Starter.

2. Verwenden Sie den AI -Agentenmodus: Nutzen Sie die natürliche Sprache in Ihrem Redakteur. Bitten Sie die KI, Dateien zu erstellen, Funktionen zu schreiben, den Refaktorcode oder Konversationskonzepte zu erklären.
   • Nutzen: Es senkt Barrieren, beschleunigt die Aufgaben und fördert das Experimentieren.
   • Um das zu tun: Entdecken Sie Funktionen wie Github Copilot Chat, Cursors Chat oder andere integrierte AI -Agenten. Üben Sie klare, präzise Anweisungen.

3. Nutzen Sie die KI für Forschung und Inspiration: Gehen Sie über die Codegenerierung hinaus. Verwenden Sie LLMs, um APIs zu finden, Designmuster zu verstehen, Bibliotheken zu vergleichen oder Ideen für Lösungen zu generieren.
   • Nutzen: Es greift auf aktuelle Informationen zu, erhält Codeausschnitte und entdeckt various Ansätze.
   • Um dies zu tun: Rahmenabfragen speziell. Stellen Sie einen Kontext für bessere Vorschläge an.

4. Handwerk klare Eingabeaufforderungen: Die Qualität der KI -Ausgabe hängt stark von Ihrer Eingabe ab. Seien Sie spezifisch, geben Sie einen Kontext (z. B. vorhandener Code, gewünschtes Ergebnis oder Einschränkungen) und zögern Sie nicht, um eine Umformung zu erhalten oder Comply with-up-Fragen zu stellen.
   • Nutzen: Bessere Aufforderungen führen zu genaueren, relevanteren und nützlichen KI -Antworten.
   • Um dies zu tun: Starten Sie einfach und fügen Sie iterativ Particulars hinzu. Wenn die KI falsch versteht, klären Sie Ihre Anfrage.

5. Erstellen Sie Ihre schnelle Wissensbasis: Wenn eine Eingabeaufforderung außergewöhnlich intestine funktioniert, speichern Sie sie! Dokumentieren Sie nützliche Eingabeaufforderungen für gemeinsame Aufgaben (z. B. Schreiben von Unit -Assessments, Generierung von Dokumentationen, Refactoring).
   • Nutzen: Es spart Zeit, verbessert die Konsistenz und teilt das Wissen (wenn in einem Staff).
   • Aktion: Verwenden Sie eine Notizen -App (Begriff, Obsidian), eine einfache Textdatei oder dedizierte Eingabeaufforderung -Administration -Instruments, um Ihre effektiven Eingabeaufforderungen nach Kategorie zu organisieren.

6. Halten Sie Ihren Workflow organisiert: Verwenden Sie separate Chats, Threads oder Arbeitsbereiche für unterschiedliche Aufgaben oder Funktionen. Dies verhindert, dass Gespräche chaotisch werden, und hilft Ihnen, verschiedene Entwicklungslinien zu verfolgen.
   • Nutzen: Es reduziert die kognitive Belastung, den AIDS -Fokus und erleichtert die Überprüfung von Entscheidungen.
   • Um dies zu tun: Nennen Sie Chats/Threads klar (z. B. „Funktion: Benutzerprofile bearbeiten“, „Bugfix: Anmeldemaler“).

7. Klon und Gabel mit Bedacht: Bauen Sie auf den Schultern der Riesen. Verwenden Sie Open-Supply-Projekte als Ausgangspunkte oder integrieren Sie nützliche Bibliotheken.
   • Nutzen: Es startet Projekte, bietet Lernmöglichkeiten und vermeidet redundante Arbeiten.
   • Um dies zu tun: Überprüfen Sie die Anforderungen an die Lizenzen (z. B. MIT, Apache 2.0, GPL) und Attribution, bevor Sie den externen Code verwenden.

8. Stellen Sie frühere Zustände leicht wieder her: Fehler treten vor, insbesondere während des schnellen Experimentierens. Verwenden Sie die Versionskontrolle (wie Git) religiös, um Schnappschüsse Ihrer Arbeit zu speichern, damit Sie Änderungen problemlos zurückversetzen können.
   • Nutzen: Es verhindert den Datenverlust, fördert furchtloses Experimentieren und erleichtert das Debuggen.
   • Um dies zu tun: Legen Sie häufig mit aussagekräftigen Nachrichten fest (siehe nächster Punkt!). Lernen Sie grundlegende Git -Befehle wie Commit, Checkout und Zurücksetzen.

9. Prüfen häufig und gründlich: AS Sie generieren oder ändern Code, insbesondere mit KI, testen Sie ihn sofort. Führen Sie Ihre App lokal aus, klicken Sie durch Funktionen und schreiben Sie automatisierte Assessments (Einheit, Integration). KI kann sogar helfen, grundlegende Assessments zu generieren!
   • Nutzen: Es fängt Bugs früh auf, bietet sofortiges Suggestions und baut Vertrauen auf.
   • Um dies zu tun: Machen Sie das Testen Ihrer Kernschleife: Code -> Check -> verfeinern. Fragen Sie Ihre KI: „Schreiben Sie PyTest Unit -Assessments für diese Python -Funktion.“

10. Debuggen Sie klug mit AI -Unterstützung: Wenn Fehler auftreten, fügen Sie die genaue Fehlermeldung und den entsprechenden Code -Snippet in Ihren AI -Assistenten oder Großsprachmodell (LLM) ein. Oft können sie den Fehler erklären oder eine Lösung vorschlagen.
    • Nutzen: Es beschleunigt die Lösung, bietet einen Kontext und hilft Ihnen, aus Fehlern zu lernen.
    • Um dies zu tun: Geben Sie einen klaren Kontext an: „Ich erhalte diesen Fehler Wenn Sie diesen Code ausführen, können Sie CODE -SNIPTE> einfügen. Was könnte falsch sein?“

11. Safeguard smart Informationen: Beiten Sie niemals API -Schlüssel, Passwörter oder andere Geheimnisse direkt in Ihren Code oder Ihre Versionskontrolle. Verwenden Sie Umgebungsvariablen oder dedizierte Instruments für die Administration von Geheimnissen.
    • Nutzen: Es verhindert katastrophale Sicherheitsverletzungen, wenn Ihr Code öffentlich wird.
    • Um dies zu tun: Verwenden Sie .Env -Dateien (und hinzufügen .Env zu deinem .Gitignore!), Betriebssystemumgebungsvariablen oder geheime Supervisor von Cloud -Anbietern.

12. Kritisch überprüfen, verstehen und refactor: KI -Code kann manchmal ausführlich, ineffizient oder stilistisch inkonsistent sein. Nehmen Sie sich Zeit, um es zu reinigen, die variablen Namen zu verbessern und sicherzustellen, dass sie an den Projektstandards übereinstimmen.
    • Nutzen: Es sorgt für Korrektheit, Sicherheit, Wartbarkeit und Ihr Lernen und Wachstum.
    • Um dies zu tun: Lesen Sie den AI-generierten Code durch. Macht es Sinn? Tut es, was du gefragt hast? Gibt es offensichtliche Fehler oder Sicherheitsfehler? Wenn Sie einen Code nicht verstehen, bitten Sie die KI, sie zeilenweise oder konzept-by-Konzept zu erklären. Kopieren Sie nicht nur schwarze Kartons.

13. Nur Stimmung (Kultivieren Sie Freude): Erinnere dich an den Spaß! Die besten Entwickler sind oft neugierig, belastbar und leidenschaftlich. Lassen Sie die Herausforderungen nicht Ihre Energie entleeren. Genießen Sie den Prozess der Erstellung, des Experimentierens und des Lernens.
    • Nutzen: Es unterstützt Motivation, verbessert die Kreativität und macht die Entwicklung angenehm.
    • Um das zu tun: Feiern Sie kleine Siege, machen Sie Pausen, teilen Sie Fortschritte und bleiben Sie offen für neue Ideen.

Mögliche Fallstricke

Während die Vibe -Codierung Kreativität, Geschwindigkeit und Experimente fördert, hat es seine Risiken. Eine übermäßige Abhängigkeit von KI-Instruments kann zu Wissenslücken, subtilen Fehler und inkonsistenten Codequalität führen. Zum Beispiel kann, abhängig von AI, ohne zu versuchen, das „Warum“ hinter Vorschlägen zu verstehen, Ihr grundlegendes Wissen schwächen kann. Bitten Sie Ihren Agenten immer, seine Argumentation zu erklären, scharf zu bleiben.

AI-generierter Code kann auch täuschend korrekt aussehen, während sie subtile Fehler verbergen, ein gründliches Check und ein kritisches Denken wesentlich machen. Inkonsistente Formatierung oder unterschiedliche Qualitätsniveaus in KI -Ausgaben sind ein weiteres häufiges Downside. Das Wiederieren und Verwenden klarer Stilrichtlinien in Ihren Eingabeaufforderungen kann dazu beitragen, die Konsistenz aufrechtzuerhalten.

Manchmal treffen Sie möglicherweise „schnelle Sackgassen“, wo die KI es einfach nicht bekommt. Wenn Sie Ihre Eingabeaufforderung umrüsten, das Downside in kleinere Teile zerlegen oder sogar Schaltwerkzeuge haben, können Sie sich nicht mehr entfernen. Und schließlich denken Sie daran: AI ist hier, um zu helfen, nicht das Lernen zu ersetzen. Verwenden Sie es, um Ihr Verständnis zu vertiefen und es nicht zu umgehen.

Lesen Sie auch:

Abschluss

Die Vibe -Codierung bietet eine leistungsstarke und ansprechende Möglichkeit, Software program im Zeitalter der KI aufzubauen. Durch die Nutzung intelligenter Werkzeuge, die Einführung der Iteration und die Konzentration auf den kreativen Fluss können Sie die Produktivität steigern und die Freude an der Entwicklung wiederentdecken.

Es ist jedoch keine Magie. Es erfordert einen achtsamen Ansatz, der ein Gleichgewicht zwischen Geschwindigkeit und Verantwortung trifft. Denken Sie daran, die KI -Ausgabe kritisch zu überprüfen, sie gründlich zu testen, smart Informationen zu schützen und die zugrunde liegenden Prinzipien weiter zu lernen.

Dein nächster Schritt: Probieren Sie es aus! Wählen Sie ein kleines persönliches Projekt, eine einfache API, ein grundlegendes Internet -Dienstprogramm, ein Skript zur Automatisierung einer Aufgabe und die Anwendung dieser Prinzipien. Beginnen Sie mit einer Vorlage, verwenden Sie Ihren KI -Assistenten, iterieren Sie schnell, testen Sie oft und haben Sie vor allem Spaß, wenn Sie mit Ihrem Code eintreffen.

Häufig gestellte Fragen

Anu Madan verfügt über mehr als 5 Jahre Erfahrung in der Erstellung und des Managements von Inhalten. Nachdem sie als Content material Creator, Rezensent und Supervisor gearbeitet hatte, hat sie mehrere Kurse und Blogs erstellt. Derzeit arbeitet sie an der Erstellung und Strategie der Inhaltskuration und des Designs in Bezug auf generative KI und andere bevorstehende Technologie.

Ist das Lernen des Codes in einer von KI und Automatisierung dominierten Zeit immer noch related? Andrew Ng ist der festen Überzeugung, dass es jetzt wichtiger denn je wichtiger ist. Wenn Maschinen für das tägliche Leben zentraler werden, wird die Fähigkeit, durch Code mit ihnen zu kommunizieren, immer wichtiger. NG vergleicht die Kodierung mit der Alphabetisierung und betont, dass es die tiefste Type der Kommunikation von Menschen zu Maschine ist. Warum sollten mehr Menschen lernen, zu codieren?

Codierung als grundlegende Fähigkeit

Die Codierung wird oft als neue Alphabetisierung beschrieben. Genau wie das Lesen und das Schreiben einer Welt voller Möglichkeiten das Verständnis des Codierens ausgleichen, um Einzelpersonen mit Maschinen zu kommunizieren. Diese Fähigkeit ist in einer Welt von unschätzbarem Wert, die zunehmend von Technologie angetrieben wird. Egal, ob Sie ein Wissenschaftler, ein Vermarkter, ein Künstler oder ein Enterprise -Fachmann sind, Codierung können Ihnen helfen, sich wiederholende Aufgaben zu automatisieren, Daten zu analysieren und modern Lösungen zu erstellen.

Verbesserung der Fähigkeiten zur Problemlösung

Einer der wichtigsten Vorteile des Code-Lernens ist die Entwicklung kritischer Denken und Fähigkeiten zur Problemlösung. Das Codieren erfordert, dass komplexe Probleme in kleinere, überschaubare Teile zerlegt und logische Lösungen finden. Dieser analytische Ansatz ist nicht nur bei der Programmierung nützlich, sondern auch im Alltag und in anderen professionellen Bereichen. Es fördert eine Denkweise, die sowohl methodisch als auch kreativ ist und es Einzelpersonen ermöglicht, Herausforderungen effektiver anzugehen.

Lesen Sie auch: Kodiert Vibe die Zukunft? Sehen Sie, was Prime -Führer zu sagen haben!

Innovation erfüllen

Die Fähigkeit, den Einzelnen zu codieren, ermächtigt Einzelpersonen, ihre Ideen zum Leben zu erwecken. Unabhängig davon, ob Sie eine Imaginative and prescient für eine neue App, eine Web site oder eine datengesteuerte Lösung haben, ermöglicht es Ihnen, zu wissen, wie Sie codieren, prototypisch und schnell iterieren. Dieser praktische Ansatz fördert Innovation und kann zu bahnbrechenden Lösungen in verschiedenen Bereichen führen. In einer Welt, in der sich die Technologie ständig weiterentwickelt, stehen diejenigen, die codieren können, an der Spitze der Zukunft der Zukunft.

Anpassung an einen sich ändernden Arbeitsmarkt

Der Arbeitsmarkt verändert sich schnell, wobei neue Rollen auftauchen, die eine Mischung aus technischen und domänenspezifischen Fähigkeiten erfordern. Das Erlernen des Codes kann Türen für eine Vielzahl von Karrieren öffnen, von der traditionellen Softwareentwicklung bis hin zu aufstrebenden Bereichen wie KI, maschinellem Lernen und Datenwissenschaft. Auch in Nicht-Tech-Rollen kann das Verständnis des Codes einen Wettbewerbsvorteil erzielen. Es ermöglicht Ihnen, effizienter zu arbeiten, Aufgaben zu automatisieren und datengesteuerte Entscheidungen zu treffen.

Lesen Sie auch: Ich habe versucht, die Vibe -Codierung mit Cursor AI zu kodieren und es ist erstaunlich!

Überbrückung der Lücke zwischen Menschen und Maschinen

Wenn KI und Automatisierung häufiger werden, nimmt die Rolle des Menschen nicht ab, sondern weiter. Anstatt zu befürchten, dass Maschinen uns ersetzen werden, sollten wir uns darauf konzentrieren, wie wir mit ihnen zusammenarbeiten können. Das Erlernen des Codes ermöglicht es uns, mit Maschinen effektiver zu kommunizieren und ihre Fähigkeiten zu nutzen, um unsere eigenen zu verbessern. Diese symbiotische Beziehung zwischen Menschen und Maschinen wird in Zukunft von entscheidender Bedeutung sein, und diejenigen, die diese Lücke überbrücken können, werden die wertvollsten Vermögenswerte in der Belegschaft sein.

Praktische Anwendungen in Branchen in allen Branchen

Beim Codieren geht es nicht nur darum, Software program zu schreiben. Es geht darum, reale Probleme zu lösen.

• Im Gesundheitswesen kann das Codieren dazu beitragen, Prädiktive Modelle für Krankheitsausbrüche zu entwickeln oder die Patientenversorgung zu rationalisieren.
• In der Bildung kann es personalisierte Lernerfahrungen schaffen.
• Im Advertising kann es das Verbraucherverhalten analysieren und Kampagnen optimieren. T

Die Vielseitigkeit der Codierung macht es zu einer wertvollen Fähigkeit in den Branchen und ermöglicht es Fachleuten, maßgeschneiderte Lösungen zu erstellen, die die Auswirkungen beeinflussen.

Endnote

Die Angst, dass die KI die menschlichen Fähigkeiten ersetzen wird, ist fehl am Platz. Stattdessen wird KI zu einem leistungsstarken Werkzeug, das die menschlichen Fähigkeiten verbessert. Beim Lernen des Codes geht es nicht nur darum, Codezeilen zu schreiben. Es geht darum, die Sprache der Software program zu verstehen und effektiv mit KI -Instruments zu kommunizieren. Diese Fähigkeit wird in Zukunft von entscheidender Bedeutung sein, sodass Einzelpersonen die Macht der KI nutzen können, um ihre Ziele zu erreichen.

Für diejenigen, die überlegen, ob sie zu Code lernen sollen, ist die Antwort klar: die Kraft des Codierens annehmen. Rüsten Sie sich mit dem Wissen aus, um einem Laptop genau zu sagen, was Sie tun sollen. Dabei werden Sie nicht nur Ihren Platz in der zukünftigen Belegschaft sichern, sondern auch neue Möglichkeiten und Möglichkeiten freischalten. Die Zukunft der Codierung ist hell, und diejenigen, die es annehmen, werden diejenigen sein, die sie formen.

Schauen Sie sich unsere kostenlosen Kurse an, wenn Sie Ihre Reise in der KI -Welt beginnen!

Hallo, ich bin Nitika, ein technisch versierter Content material-Ersteller und Vermarkter. Kreativität und neue Dinge lernen natürlich für mich. Ich habe Fachkenntnisse bei der Erstellung von ergebnisgesteuerten Inhaltsstrategien. Ich bin mit web optimization -Administration, Key phrase -Operationen, Webinhalten, Kommunikation, Inhaltsstrategie, Bearbeitung und Schreiben intestine vertraut.