ΕπόμενοΕπόμενος οδηγός
Πρωτόκολλο πλαισίου μοντέλου
Γλώσσα AI
ΟΔΗΓΟΣ Εταιρειών
Μοντέλα Κώδικα Μεγάλου Περιεχομένου Magic AI
Magic AI is a startup developing long-context models for software-development tasks.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min
Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
Επισκόπηση
The company says LTM-2-mini supports up to 100 million tokens, which can place substantially more cross-file code and documentation in one context; capacity alone does not guarantee correct reasoning over an entire codebase.
Βαθιά κατάδυση
Magic AI is a startup developing an AI software engineer rather than only autocomplete. In its August 2024 research update, the company described LTM models, including LTM-2-mini, with a context window of up to 100 million tokens; its analogy is roughly 10 million lines of code or about 750 novels. This is a model capacity claim, not evidence that the model can correctly understand every codebase or complete every project-wide task. The update also describes a Google Cloud partnership for supercomputer development and funding announced at that time. Magic introduced HashHop as a controlled evaluation using random, incompressible hash pairs and chained lookups to test retrieval at long context lengths. Results on that constructed task measure those retrieval and chaining tasks; they do not prove arbitrary code comprehension or performance on every real repository.
Υλοποίηση σε πραγματικό κόσμο
Providing a large repository or selected subset as context for questions about cross-file relationships, then checking the answer against source code.
Drafting a refactor that touches related files for a developer to review and test.
Supplying code, documentation, and logs together when investigating a bug whose cause may span files.
Summarizing a selected repository context as an onboarding aid, with links or references for follow-up.
Το μέλλον των μοντέλων κώδικα μακρού περιβάλλοντος Magic AI
Longer contexts can allow developers to supply more code, documentation, and task details together. Reliable multi-file work still depends on retrieval, reasoning accuracy, tool execution, and verification. Future systems should be evaluated on representative codebases and tasks, including whether they find relevant distant files and make changes that pass tests, rather than being judged by context size alone.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Στρατηγική προμηθευτή. Οι χάρτες πορείας προμηθευτών επηρεάζουν τα χαρακτηριστικά που μπορεί να δημιουργήσει η ομάδα σας στη συνέχεια.
- Κόστος και προϋπολογισμός. Οι εμπορικοί όροι και οι επιλογές ανάπτυξης επηρεάζουν το μακροπρόθεσμο κόστος και τον κίνδυνο.
- Κίνδυνος και ασφάλεια. Τα κίνητρα της εταιρείας διαμορφώνουν τις προεπιλογές προϊόντων, τη στάση ασφαλείας και τη διαφάνεια.
Προσέξτε
- Οι ανακοινώσεις κυκλοφορίας ενδέχεται να ξεπεράσουν τη σταθερότητα στις πραγματικές ροές εργασιών παραγωγής.
- Η τιμολόγηση API ή οι αλλαγές πολιτικής μπορούν να σπάσουν τις υποθέσεις από τη μια μέρα στην άλλη.
- Η εξάρτηση από έναν προμηθευτή αυξάνει το κόστος κλειδώματος και μετεγκατάστασης.
Επόμενα βήματα
- Αξιολογήστε τους παρόχους χρησιμοποιώντας τις δικές σας εργασίες και σύνολα δεδομένων.
- Ελέγξτε το απόρρητο, την ασφάλεια και τους νομικούς όρους πριν από την ενσωμάτωση.
- Διατηρήστε ένα εναλλακτικό σχέδιο σε μοντέλα ή προμηθευτές.
- Παρακολουθήστε τις σημειώσεις έκδοσης, ώστε οι αλλαγές στον οδικό χάρτη να μην εκπλήσσουν τις ομάδες.
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the Magic AI Long-Context Code Models quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
What is Magic AI Long-Context Code Models?
Magic AI is a startup developing long-context models for software-development tasks. The company says LTM-2-mini supports up to 100 million tokens, which can place substantially more cross-file code and documentation in one context; capacity alone does not guarantee correct reasoning over an entire codebase.
What software-development direction has Magic said it is pursuing?
Magic describes its work as developing AI for software engineering. This is a company goal; it does not guarantee that a model can correctly handle every codebase.
What maximum context capacity did Magic announce for LTM-2-mini in August 2024?
Magic’s August 2024 report announced a context window of up to 100 million tokens for LTM-2-mini. Context capacity is distinct from accuracy on a task.
What does Magic use HashHop to evaluate?
Magic designed HashHop as a controlled random-hash retrieval and chaining benchmark. It reduces semantic cues but does not establish broad code understanding.
Γιατί η αφελής προσοχή του μετασχηματιστή είναι πρόβλημα για περιβάλλοντα 100 εκατομμυρίων;
Το κόστος της τυπικής προσοχής αυξάνεται με το τετράγωνο του μήκους της ακολουθίας, επομένως τα πολύ μεγάλα περιβάλλοντα είναι εξαιρετικά ακριβά χωρίς καλύτερους αλγόριθμους.
Με ποια εταιρεία συνεργάστηκε η Magic το 2024 για την κατασκευή υπερυπολογιστών;
Η Magic ανακοίνωσε μια συνεργασία με την Google Cloud για την κατασκευή υπερυπολογιστών σε υλικό Nvidia.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα