根据最近的评估,一个被称为"首个 AI 软件工程师"的服务似乎在工作表现上相当糟糕。
这个自动编码工具名为 "Devin",于 2024 年 3 月推出。其创造者 Cognition AI 声称 "Devin 可以端到端地构建和部署应用程序",并且"能够自主发现和修复代码库中的 bug"。该工具于 2024 年 12 月正式发布,起价为每月 500 美元。
根据 Cognition 的文档描述:"Devin 是一个自主的 AI 软件工程师,能够编写、运行和测试代码,帮助软件工程师处理个人任务或团队项目。" 它"可以审查 PR、支持代码迁移、响应随叫随到的问题、构建网络应用程序,甚至可以执行个人助理任务,比如通过 DoorDash 帮你订午餐,让你专注于代码开发。"
该服务主要通过 Slack 接收命令,这些命令会被发送到其计算环境中 - 一个包含终端、浏览器、代码编辑器和规划器的 Docker 容器。这个 AI 代理支持与外部服务的 API 集成,例如,它可以通过 SendGrid 代表用户发送电子邮件。
Devin 是一个"复合 AI 系统",这意味着它依赖于多个底层 AI 模型,包括 OpenAI 的 GPT-4,且这些模型可能会随时间演变。
理论上,你应该能够要求它执行诸如将代码迁移到 nbdev(一个 Jupyter Notebook 开发平台)之类的任务,并期望它成功完成。但这可能要求过高了。
Devin 的早期评估发现了一些问题。Cognition AI 发布了一段宣传视频,声称展示了 AI 编码器在自由职业者平台 Upwork 上自主完成项目的过程。软件开发者 Carl Brown 在他的 Internet of Bugs YouTube 频道上分析并揭露了该视频的问题。
该软件代理还被另一位 YouTube 代码评论员指出据称存在严重的安全问题。
现在,三位隶属于 Answer.AI(由 Jeremy Howard 和 Eric Ries 创立的 AI 研究和开发实验室)的数据科学家对 Devin 进行了测试,发现它在 20 个任务中仅成功完成了 3 个。
Hamel Husain、Isaac Flath 和 Johno Whitaker 在本月早些时候进行的分析中发现,Devin 开始表现不错,成功地将数据从 Notion 数据库导入到 Google Sheets。这个 AI 代理还成功创建了一个用于检查木星和土星历史位置的行星追踪器。
但随着三位研究人员继续测试,他们遇到了问题。
研究人员在报告中解释道:"看似简单的任务往往需要花费数天而不是数小时,Devin 要么陷入技术死胡同,要么产生过于复杂、无法使用的解决方案。更令人担忧的是,Devin 倾向于继续推进实际上不可能完成的任务。"
例如,当要求 Devin 在基础设施部署平台 Railway 上部署多个应用程序时,它没有意识到这是不支持的功能,花费了超过一天的时间尝试无效的方法,并臆想出不存在的功能。
在提供给 Devin 的 20 个任务中,这个 AI 软件工程师只令人满意地完成了 3 个 - 上面提到的两个以及第三个用 Python 研究如何构建 Discord 机器人的任务。另外 3 个任务结果不确定,14 个项目彻底失败。
研究人员表示,Devin 提供了一个精致的用户体验,在正常工作时令人印象深刻。
"但问题在于 - 它很少能正常工作,"他们写道。
"更令人担忧的是我们无法预测哪些任务会成功。即使是与早期成功案例类似的任务,也会以复杂且耗时的方式失败。最初看似有前途的自主性反而成了一个负担 - Devin 会花费数天时间追求不可能的解决方案,而不是认识到根本性的障碍。"
Cognition AI 没有回应置评请求。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。