← Каталог

· AI Engineer World's Fair 2026

От исследований к реальности

Research to Reality with Google DeepMind

Когда написание кода почти бесплатно, главным узким местом становятся архитектура, понимание большой кодовой базы и планирование, а обучение моделей, по мнению автора, может пойти через self-play.

  • Сложное не код, а система — по словам спикера, отдельную функцию модель пишет лучше человека, но многошаговые правки в огромной кодовой базе и архитектурные решения даются моделям пока плохо.
  • Нехватка человеческих данных — спикер оценивает, что около 80% нового кода на GitHub сейчас машинный, поэтому обучение на человеческом коде подходит к концу. Выход видится в self-play по образцу AlphaZero: модель ставит себе задачи и проверяет решения компиляцией и unit-тестами.
  • Открытые evals вместо SWE-bench — SWE-bench проверяет только, что код запускается и выдаёт верный вывод. Спикер предлагает задачу: написать лучший алгоритм сжатия текста без потерь для 10 МБ, где оценка равна размеру архива плюс размеру исходного кода.
  • Корректность заранее — команда спикера работает над тем, чтобы модель сразу писала правильный код, а не искала уязвимости после генерации. Спикер также предлагает языки строже, по примеру Lean, чтобы ответственность за корректность лежала на модели.

Кому полезно: тем, кто строит работу с кодинговыми агентами на больших кодовых базах и думает, как проверять сгенерированный код.

Статья по теме

Главы

Похожие доклады