Mercury Edit 2

Mercury Edit 2: Przełom w predykcji edycji kodu dzięki technologii Diffusion LLM

W nowoczesnym procesie wytwarzania oprogramowania szybkość i precyzja są kluczowe. Dzisiaj przedstawiamy Mercury Edit 2, specjalistyczny model diffusion LLM (dLLM) stworzony z myślą o najbardziej wrażliwym na opóźnienia elemencie pracy programisty: predykcji kolejnej edycji (next-edit prediction). Jako następca naszych poprzednich rozwiązań, Mercury Edit 2 stanowi istotne ulepszenie, uzupełniając istniejące punkty końcowe autouzupełniania o niespotykaną dotąd wydajność.

Czym jest Mercury Edit 2?

Mercury Edit 2 to zaawansowany model językowy typu dLLM, który analizuje Twoje ostatnie zmiany oraz kontekst bazy kodu, aby przewidzieć, co zmodyfikujesz w następnej kolejności. W przeciwieństwie do tradycyjnych modeli autoregresyjnych, Mercury Edit 2 wykorzystuje mechanizm dyfuzji do równoległego generowania tokenów.

Dzięki temu podejściu, sugestie generowane przez Mercury Edit 2 pojawiają się błyskawicznie, stając się naturalnym przedłużeniem myśli programisty. Proces akceptacji jest uproszczony do minimum – wystarczy nacisnąć klawisz Tab, aby zatwierdzić zmianę. Jest to narzędzie stworzone dla tych, którzy wymagają od swoich narzędzi programistycznych najwyższej responsywności.

Kluczowe cechy Mercury Edit 2 (Features)

Model Mercury Edit 2 został zaprojektowany, aby rozwiązać problemy typowe dla starszych modeli asystentów AI. Oto najważniejsze funkcje i zalety:

• Technologia Diffusion (dLLM): Umożliwia generowanie tokenów w sposób równoległy, co drastycznie redukuje opóźnienia (latency).
• Wysoka akceptowalność: Dzięki rygorystycznemu treningowi, edycje proponowane przez Mercury Edit 2 są akceptowane o 48% częściej niż w poprzednich modelach.
• Zwiększona selektywność: Model jest o 27% bardziej selektywny, co oznacza, że wyświetla tylko najbardziej trafne sugestie, unikając niepotrzebnego rozpraszania uwagi użytkownika.
• Optymalizacja KTO: Wykorzystanie metody KTO (Kahneman-Tversky Optimization) w uczeniu wzmocnionym pozwoliło dopasować model do realnych preferencji ludzkich.
• Wszechstronność językowa: Model został przeszkolony na wysokiej jakości zbiorze danych obejmującym szeroki zakres języków programowania i scenariuszy edycji.

Proces szkolenia i dopasowania modelu

Stworzenie Mercury Edit 2 wymagało innowacyjnego podejścia do danych. Zespół Inception Labs przygotował starannie wyselekcjonowany zbiór danych zawierający historię edycji i kontekst baz kodu.

„Odkryliśmy, że model może być zbyt gorliwy w częstotliwości i długości edycji, co bywało rozpraszające. Aby temu zaradzić, zebraliśmy zestaw danych preferencji ludzkich, rejestrując reakcje użytkowników (akceptację lub odrzucenie).”

Dzięki zastosowaniu metody unpaired reinforcement learning (KTO), Mercury Edit 2 nauczył się dostarczać bardziej celowe i użyteczne sugestie, co bezpośrednio przełożyło się na wzrost efektywności pracy deweloperów.

Porównanie i wydajność (Benchmarks)

Mercury Edit 2 został poddany rygorystycznym testom porównawczym w zestawieniu z modelami typu frontier oraz rozwiązaniami zoptymalizowanymi pod kątem szybkości. Benchmarki obejmowały:

1. Instinct – testujący ogólną intuicję modelu.
2. Fill-in-the-middle (FIM) – walidujący edycje poprzez uruchamianie przypadków testowych.
3. Next-edit Prediction (NEP) – mierzący trafność kolejnych zmian.
4. Wewnętrzne benchmarki Inception – skupione na specyficznych scenariuszach deweloperskich.

Wyniki potwierdzają, że Mercury Edit 2 oferuje nadrzędną jakość i szybkość w porównaniu do alternatyw, doskonale radząc sobie z refaktoryzacją, zmianą nazw zmiennych oraz implementacją nowych funkcjonalności.

Przypadki użycia (Use Case)

Mercury Edit 2 znajduje zastosowanie w codziennej pracy każdego programisty, niezależnie od skali projektu:

• Szybka refaktoryzacja: Automatyczne przewidywanie zmian strukturalnych w kodzie.
• Uzupełnianie logiki: Implementacja kolejnych kroków w funkcjach na podstawie kontekstu.
• Poprawa czytelności: Sugestie dotyczące zmiany nazw zmiennych i parametrów.
• Redukcja błędów: Wykorzystanie kontekstu bazy kodu do sugerowania poprawnych zmian, które przechodzą testy (FIM).
• Integracja z IDE: Idealne rozwiązanie dla edytorów takich jak Zed, gdzie model działa jako niezależny dostawca predykcji.

Jak zacząć korzystać z Mercury Edit 2

Model jest dostępny na Platformie Inception i może być zintegrowany z Twoim przepływem pracy na kilka sposobów:

1. API Platform: Wypróbuj Mercury Edit 2 bezpośrednio przez API Inception.
2. Edytor Zed: Skonfiguruj model w edytorze Zed, korzystając z klucza API: sk_ae471146ea60fc117c131b574b00ba96. Użytkownicy Zed mogą odblokować 1 miesiąc darmowych sugestii.
3. Dla przedsiębiorstw: Firmy budujące własne narzędzia deweloperskie mogą skontaktować się z zespołem pod adresem [email protected] w celu integracji.

Cennik

Korzystanie z Mercury Edit 2 jest wycenione w sposób przystępny dla twórców:

• Tokeny wejściowe: $0.25 / 1M
• Tokeny wyjściowe: $0.75 / 1M
• Tokeny zbuforowane (cached): $0.025 / 1M
• Bonus: Każde nowe konto na platformie Inception API otrzymuje automatycznie 10 milionów DARMOWYCH tokenów.

FAQ

Czy Mercury Edit 2 zastępuje standardowe autouzupełnianie? Nie, model ten uzupełnia funkcję autouzupełniania, koncentrując się na predykcji kolejnych, bardziej złożonych edycji w kodzie.

Co sprawia, że Mercury Edit 2 jest szybszy od innych modeli? Kluczem jest architektura diffusion LLM, która pozwala na równoległe generowanie tokenów, co znacząco obniża czas odpowiedzi w porównaniu do modeli sekwencyjnych.

Czy mogę używać Mercury Edit 2 w swoim edytorze kodu? Tak, model jest dostępny przez API oraz posiada dedykowaną integrację z edytorem Zed.

Co to jest metoda KTO? KTO (Kahneman-Tversky Optimization) to metoda uczenia wzmocnionego, która dopasowuje model do ludzkich preferencji bez konieczności parowania danych, co w przypadku Mercury Edit 2 zwiększyło użyteczność sugestii.