Лучшее слияние кода с меньшими затратами вычислений: знакомьтесь с Osmosis-Apply-1.7B от Osmosis AI
В мире разработки программного обеспечения, где скорость и точность имеют решающее значение, Osmosis AI представил Osmosis-Apply-1.7B — специализированную модель, оптимизированную для выполнения высокоточных задач слияния кода. Эта модель, основанная на Qwen3-1.7B, предлагает разработчикам возможность значительно упростить процесс внесения изменений в код, сохраняя при этом его структуру и семантику.
Целевое назначение Osmosis-Apply-1.7B
Osmosis-Apply-1.7B не является универсальной моделью, которая может справляться с любыми задачами. Она специально обучена для применения структурированных правок на уровне функций или блоков кода. Модель принимает три структурированных входных параметра: (1) оригинальный код, (2) набор правок или различий и (3) ожидаемый формат слияния. В результате вы получаете обновленный блок кода, в который изменения были внедрены с максимальной точностью.
Обучение и структура вознаграждений
Модель Osmosis-Apply-1.7B была дообучена на основе примерно 100,000 реальных коммитов из набора данных commitpackft, что составляет менее 15% от общего объема. Каждый обучающий пример был структурирован так, чтобы отражать практические рабочие процессы разработчиков. Используемая структура вознаграждений включает:
- Полное совпадение (включая форматирование): вознаграждение = 1.0
- Семантическое совпадение (игнорируя пустые строки): вознаграждение = 0.2
- Некорректное или неудачное совпадение: вознаграждение = 0.0
Эта схема вознаграждений способствует получению высококачественных результатов, позволяя при этом некоторую гибкость в стилистических вариациях, что близко к тому, как проходят код-ревью в реальной жизни.
Результаты бенчмаркинга
Osmosis AI провел бенчмаркинг модели, используя 10,000 образцов из набора данных commitpackft. Средние оценки вознаграждений показывают сильные результаты по сравнению с более крупными языковыми моделями:
- Osmosis-Apply-1.7B: 0.9805
- Claude 4 Sonnet: 0.9328
- GPT-3.5-turbo: 0.8639
- Gemini-2.5-Flash: 0.7745
Эти результаты подчеркивают силу модели в применении локализованных изменений при сохранении семантики, форматирования и структуры.
Интеграция MCP для рабочих процессов разработчиков
Ключевая особенность модели — это ее нативная поддержка Протокола Контекста Модели (MCP), что позволяет структурированно вызывать контекст с учетом иерархий файлов, имен функций и тегов правок. Модель соответствует спецификации apply-code MCP, что обеспечивает бесшовное использование в инструментах командной строки и агентах IDE. Она возвращает изменения, ограниченные на уровне функций, и помечает правки с помощью хорошо структурированных тегов в стиле XML, что упрощает отслеживание различий и работу с инструментами.
Инструменты для разработчиков и примеры использования
Osmosis AI также выпустил эталонную реализацию, которая поддерживает как локальное выполнение, так и интеграцию с такими сервисами, как vLLM или Gulp Server. Инструменты включают примеры использования на основе CLI, реализацию сервера MCP и руководства по безопасному развертыванию.
Ключевые случаи использования включают:
- Агенты IDE, предлагающие «мгновенное применение» для изменений, заданных пользователем
- CI-боты, применяющие авто-рефакторинг или изменения на основе ревью
- Пipelines для генерации наборов данных для последующего дообучения
- Инструменты трансформации кода с логикой слияния, учитывающей структуру
Формат и развертывание
Модель выводит правки, обернутые в <edit> и </edit>, что делает их легко читаемыми и понятными для дальнейшей обработки.
Доступность и лицензия
Osmosis-Apply-1.7B доступна под лицензией Apache-2.0 и размещена как на Hugging Face, так и на GitHub. Выпуск включает все необходимые скрипты для выполнения, примеры для развертывания, соответствующего MCP, и руководства по структурированному форматированию.
Заключение
Открывая доступ к Osmosis-Apply-1.7B, Osmosis AI отвечает на ключевую потребность в моделях редактирования кода, осознающих структуру на уровне функций. В отличие от базовых моделей, эта специализированная модель сочетает компактный размер с точностью и соответствием формату. Интеграция MCP, дообучение на основе вознаграждений и поддержка синтаксической структуры делают ее идеальным кандидатом для реальных инструментов разработчиков.
Узнайте больше на страницах Hugging Face и GitHub. Все заслуги за это исследование принадлежат исследователям этого проекта. Не забудьте подписаться на нас в Twitter, YouTube и Spotify. Присоединяйтесь к нашему сообществу из более чем 100,000 участников на ML SubReddit и подписывайтесь на нашу рассылку.
