JanusCoder: Towards a Foundational Visual-Programmatic Interface for Code Intelligence
تقدم الورقة البحثية JanusCoder، وهو واجهة برمجية بصرية تأسيسية تم تدريبها على أكبر مجموعة بيانات برمجية متعددة الوسائط (JanusCode-800K) لتوليد الكود من النصوص أو المرئيات أو كليهما، محققةً أداءً يضاهي أو يتفوق على النماذج التجارية عبر مهام برمجية متنوعة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أن لديك مهندساً معمارياً عبقرياً يمكنه تصميم مبنى بمجرد قراءة مخطط (نص). ولكن ماذا لو أردت من هذا المهندس أيضاً أن ينظر إلى رسم تخطيطي رسمته على منديل ورقي، أو صورة لغرفة فوضوية، ويقول: "آه، لقد فهمت ما تقصده! سأكتب الكود لبناء هذا بالضبط"؟
هذه هي المشكلة التي يحلها JanusCoder.
إليك قصة الورقة البحثية، مقسمة إلى مفاهيم بسيطة:
١. المشكلة: المهندس المعماري "الأعمى"
لفترة طويلة، كانت نماذج الذكاء الاصطنا-عي بارعة في كتابة الكود بناءً على تعليمات نصية (مثل "اصنع مخططاً يوضح المبيعات"). ومع ذلك، كانت تواجه صعوبة عندما تعطيهم صورة وتقول لهم: "اصنع الكود الذي ينشئ هذا المخطط بالتحديد".
لماذا؟ لأن البيانات كانت مفقودة. الأمر يشبه محاولة تعليم طباخ كيفية إعداد طبق معين من خلال إظهار الوصفات له فقط، دون إطلاعه أبداً على الطعام الفعلي. لم يكن لدى الذكاء الاصطناي أمثلة كافية لأزواج "صورة + كود" ليتعلم الرابط بينهما.
٢. الحل: "محاكي المطبخ" (تخليق البيانات)
أدرك الباحثون أنهم لا يستطيعون مجرد الانتظار حتى يقوم الأشخاص برفع أمثلة مثالية. لذا، قاموا ببناء محاكي مطبخ آلي ضخم.
- الأدوات: أنشأوا مجموعة أدوات برمجية تعمل مثل طباخ آلي. يأخذ الكود الموجود، ينظر إليه، ثم يتساءل: "ماذا لو غيرنا اللون؟" أو "ماذا لو أضفنا زراً؟".
- الحلقة السحرية: يكتب الروبوت الكود، ثم يشغله ليرى الصورة، وبعد ذلك يستخدم حكماً ذكياً جداً للتحقق: "هل تبدو هذه الصورة كما هو مطلوب في التعليمات؟".
- النتيجة: أنتجوا ٨٠٠,٠٠٠ مثال عالي الجودة (JanusCode-800K). هذه هي أكبر مكتبة من نوعها، تغطي كل شيء بدءاً من المخططات البسيطة وصولاً إلى المواقع الإلكترية المعقدة والتفاعلية وحتى الرسوم المتحية الرياضية (مثل فيديوهات 3Blue1Brown الشهيرة).
٣. النجم: JanusCoder (المترجم العالمي)
باستخدام هذه المكتبة الضخمة، قاموا بتدريب عائلة جديدة من النماذج تسمى JanusCoder.
فكر في JanusCoder كمترجم عالمي بين لغتين:
١. لغة المنطق (الكود): التعليمات الرياضية الصارمة التي تفهمها الحواسيب.
٢. لغة الرؤية (البصريات): الصور، المخططات، والواجهات التي يراها البشر.
ما الذي يجعله مميزاً؟
معظم نماذج الذكاء الاصطناعي هي نماذج متخصصة: نموذج واحد يعرف فقط كيفية تحويل النص إلى مخطط، ونموذج آخر يعرف فقط كيفية تحويل لقطة شاشة إلى موقع إلكتروني. أما JanusCoder فهو نموذج عام. يمكنه القيام بكل هذه الأشياء بعقل واحد:
- من النص إلى البصري: "اصنع رسماً بيانياً لدرجات الحرارة العالمية." -> يولد الكود والرسم البياني.
- من البصري إلى النص: تعرض لقطة شاشة لموقع إلكتروني. -> "إليك الكود لإعادة بناء هذا الموقع."
- وضع التعديل: تعرض موقعاً إلكترونياً وتقول "اجعل الزر أحمر". -> "إليك الكود المحدث."
٤. الإثبات: التفوق على العمالقة
اختبر الباحثون JanusCoder مقابل أكبر النماذج التجارية وأكثرها تكلفة (مثل GPT-4o).
- النتيجة: نماذجهم مفتوحة المصدر (وهي أصغر ومجانية الاستخدام) قدمت أداءً يضاهي، وأحياناً يتفوق على، تلك النماذج العملاقة والمكلفة.
- لماذا؟ لأنهم لم يعلموا الذكاء الاصطناي مجرد "تخمين" الكود؛ بل علموه فهم العلاقة بين منطق الكود والنتيجة البصرية النهائية.
تشبيه الصورة الكبيرة
تخيل أنك تتعلم عزف البيانو.
- الذكاء الاصطناي القديم: كان بإمكانك التعلم فقط من خلال قراءة النوتة الموسيقية (النص). إذا عزف شخص ما أغنية لك (بصري)، فلن تتمكن من معرفة النوتات.
- JanusCoder: يشبه طالباً تدرب مع معلم سحري يمكنه فوراً إظهار النوتة الموسيقية لأي أغنية يسمعها، وعزف أي أغنية يكتبها هو. إنه يسد الفجوة بين ما تراه وما تكتبه.
باخت-صار: JanusCoder هو ذكاء اصطناني جديد مفتوح المصدر يمكنه النظر إلى صورة وكتابة الكود لبنائها، أو قراءة وصف وبناء الصورة، كل ذلك بمستوى من المهارة يضاهي أكثر أنواع الذكاء الاصطناي تكلفة في السوق. إنه يفتح الباب لأي شخص لبناء برمجيات معقدة بمجرد عرض رسم تخطيطي أو وصف فكرة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.