Koda تكشف كيف درّبت نموذج Next Edit Suggestions للتنبؤ بتعديلات الشيفرة

كشفت Koda كيف درّبت نموذج Next Edit Suggestions للإكمال التلقائي، وهو نموذج يحاول تخمين التعديل التالي ذا المعنى الذي سيجريه المطوّر، لا الرمز (token) التالي. ينقل هذا النهج بيئة التطوير (IDE) من الإكمال التقليدي (completion) إلى مساعد يفهم مسار إعادة الهيكلة (refactoring) وإعادة التسمية والإصلاحات الصغيرة المتكررة.

يختلف NES عن الإكمال التلقائي الكلاسيكي في أنه يأخذ في الحسابات سجل التعديلات الأخيرة، ولا يعمل عند المؤشر فقط، بل في أي موضع من الملف. ولا يقتصر دور النموذج على إضافة الشيفرة، إذ يمكنه أيضًا حذف مقاطع منها أو استبدالها.

والسيناريوهات العملية لهذا النمط واضحة: إعادة تسمية جماعية، وتحديث الاستدعاءات بعد تغيير توقيع الدالة، ومواصلة إعادة هيكلة بدأها المطوّر، وتكرار إصلاح من النوع نفسه في أماكن متعددة، وتوحيد الأسلوب، وحذف الشيفرة الميتة، وحتى تصحيحات أداة lint الصغيرة. وترى Koda أن هذه الأداة تبقى مفيدة رغم الضجة المحيطة بوكلاء الذكاء الاصطناعي (AI)، لأن تأكيد كثير من الإصلاحات الصغيرة بضغطة مفتاح واحدة أسرع من صياغة موجّه (prompt) مستقل لكل منها.

عند التدريب، اختار الفريق أولًا نموذجًا أساسيًا يلبّي قيدًا صارمًا على زمن الاستجابة. فقاس المطوّرون سرعة الاستدلال (inference) على خوادم GPU المستهدفة لديهم، وحصروا الخيارات في Qwen2.5-Coder-1.5B وDeepSeek-Coder-1.3B. وبحسب مجموع المقاييس، وقع الاختيار على Qwen أساسًا للضبط الدقيق الموجَّه (supervised fine-tuning).

أما مصدر البيانات فهو سجلات جزئية مجهولة الهوية جُمعت على مدى عام من نموذج الإكمال البرمجي الخاص بالشركة. جُمعت سجلات FIM هذه حسب المستخدم والجلسة والملف لاستعادة سلاسل التغييرات المحلية في الشيفرة.

وكانت المشكلة أن تعديلًا واحدًا فعليًا يجريه المبرمج كان يتفكك في السجلات غالبًا إلى عشرات الأحداث الدقيقة. لذلك دمج المهندسون هذه التسلسلات الفرعية في تغييرات مفهومة متكاملة باستخدام خوارزمية Incremental Difference Detecting الموصوفة في الدراسة المتعلقة بـ NES. بعد ذلك استبعدوا بشكل منفصل الأمثلة التي لا ترتبط فيها التعديلات المستهدفة سببيًا بسجل التحرير، أي التي تمثّل مجرد مقطع منطقي تالٍ من الشيفرة. وفي النتيجة لم يبقَ من ملايين العينات المرشّحة سوى بضع عشرات الآلاف. كما أجرى الفريق رفعًا لعيّنات (upsampling) تعديلات الاستبدال (replace) لتحقيق توازن أفضل بين أنواع الإدراج والاستبدال والحذف.

ثم قارنت Koda نموذجها البالغ 1.5 مليار معامل بحلول NES مفتوحة من Continue وZed وSweep، وذكرت بوصفها مرجعيات مغلقة Cursor Tab وGitHub Copilot NES وJetBrains AI Assistant. وعلى مجموعة اختبار خاصة من 500 مثال، سجّل Koda-next-edit نسبة 27,2% في Exact Match و28,2% في Judge، بينما حصل Zeta 2 على 17,0% و20,4% على التوالي. وفي عدة مجموعات بيانات، تمنح الشركة أولوية أعلى لتقييم Judge، لأنه أنسب لمقارنة نماذج تختلف صيغ إجاباتها. وعلى المتوسط البسيط احتل نموذجها المرتبة الأولى، وعلى النتيجة الموزونة بقي بين الصدارة حتى أمام نماذج أكبر بحجم 7B و8B معامل.

وتبرز Koda بصورة منفصلة مجموعة بيانات NEP بوصفها معيارًا أكثر استقلالًا، لأنها ليست «أصلية» لأي من الأنظمة المقارَنة.

ظهرت الميزة بالفعل بصيغة تجريبية (بيتا) في إضافة KodaCode 0.9.0 لمحرر VS Code. ويخطط الفريق لاحقًا لإثراء السياق بمقاطع شيفرة مشابهة وتلميحات أداة lint، واختبار نماذج أكبر إن أمكن الحفاظ على زمن الاستجابة المطلوب. ومن اتجاهات التطوير الأخرى واجهة الإضافة: فبالنسبة إلى NES لا يكفي التنبؤ بالتعديل، بل ينبغي عرضه بحيث يستطيع المطوّر قبول الاقتراح أو رفضه بسرعة دون أن يفقد إيقاع عمله.

تُظهر تجربة Koda أن سوق أدوات الذكاء الاصطناعي للمبرمجين لا يقتصر على الوكلاء الذين يحاولون إنجاز كل شيء بأنفسهم. فبين التحرير اليدوي والتنفيذ المستقل بالكامل توجد شريحة واسعة من المهام تتحقق فيها أكبر قيمة من نصيحة سريعة ومحلية ويمكن التنبؤ بها داخل المحرر مباشرة. وإذا تحسنت جودة هذه النماذج دون خسارة في السرعة، فقد تصبح هذه الفئة من المساعدات أكثر أشكال الذكاء الاصطناعي انتشارًا في التطوير اليومي.