Истории об ИИ, который пишет код по одному промпту, часто расходятся с реальностью сложной разработки. Alibaba Cloud представила Qwen-Coder-Qoder, специализированную модель для своей платформы Qoder, которая учится мыслить и действовать как опытный инженер-программист, а не просто генерировать код.
Qwen-Coder-Qoder — это модель, оптимизированная с помощью крупномасштабного обучения с подкреплением (RL). Она создана для улучшения агентного кодирования на платформе Qoder и уже опережает Cursor Composer-1 на внутреннем бенчмарке Qoder Bench. Особенно заметны улучшения на Windows, где точность выполнения команд в терминале выросла до 50%.
За последние несколько недель в продакшене Qoder-Qoder показал ощутимые улучшения:
- Удержание кода — увеличилось на 3.85%.
- Ошибки инструментов — снизились на 61.5%.
- Потребление токенов — уменьшилось на 14.5%.
Alibaba Cloud утверждает, что модель не просто решает задачи, а отражает "вкус" и "мышление" старшего инженера, следуя лучшим практикам:
- Соблюдает инженерные практики — следует строгим принципам, поддерживает единый стиль кода, выдаёт готовый к производству код.
- Целостно понимает репозиторий — использует системы контекста Qoder, включая графы кода, память проекта и Repo Wiki, для глобальной перспективы.
- Высокоэффективный параллелизм — распознаёт независимые задачи и выполняет их параллельно, будь то получение кода, планирование или множественные правки.
- Устойчивое решение проблем — итеративно уточняет подход и не бросает задачу, как это часто бывает с менее моделями.
В основе обучения Qwen-Coder-Qoder лежит концепция "Model-Agent-Product" — саморазвивающийся цикл, где модель, агент и продукт постоянно улучшают друг друга. Модель Qwen-Coder-Qoder обеспечивает выполнение задач, агент Qoder является центральным элементом всех функций, а тысячи пользователей продукта ежедневно генерируют реальные паттерны использования и лучшие практики, которые конвертируются в сигналы вознаграждения для дальнейшего RL-обучения.
Для достижения таких результатов Alibaba Cloud использовала надёжную стратегию обучения:
- Реальный Qoder Agent как песочница — модель обучается на всём стеке знаний, памяти, инструментов и контекста Qoder для решения реальных задач кодирования. Для масштабирования этого процесса автоматизирована настройка десятков тысяч реальных сред разработки с использованием высокоскоростной контейнеризации.
- Лучшие инженерные практики как сигналы вознаграждения — для проверки корректности используются юнит-тесты, CLI-проверки и пользовательские чек-листы. Чтобы избежать "накрутки вознаграждений", когда модель имитирует желаемое поведение без реального вклада, Alibaba разработала "Rewarder-Attacker" — adversarial-фреймворк, где отдельный LLM выступает в роли ревьюера, стресс-тестируя систему вознаграждений до начала обучения.
- Масштабный и высокоэффективный RL-фреймворк ROLL — оптимизирован для обучения MoE LLM с сотнями миллиардов параметров на кластерах из тысяч GPU. Фреймворк сокращает время фазы Rollout (более 70% общего времени) за счёт асинхронного планирования, переиспользования кеша и снижения задержек. Совместное проектирование Rollout и Training позволяет распараллеливать их, динамически освобождая GPU, что дало 10-кратный рост пропускной способности и сократило циклы обучения.
Alibaba демонстрирует, что следующий шаг для ИИ-кодеров — это не просто генерация кода, а способность адаптироваться к реальным инженерным стандартам и мыслить как опытные специалисты. Именно такой подход, завязанный на постоянную обратную связь от продукта, обещает появление по-настоящему автономных и качественных агентов.