Qoder da Alibaba adiciona modo de resposta rápida com respostas em 3 segundos e menor consumo de créditos
Leia mais
Pandaily
pandaily.com

Qoder da Alibaba adiciona modo de resposta rápida com respostas em 3 segundos e menor consumo de créditos

O agente de IA para codificação Qoder da Alibaba apresentou um novo modo chamado Fast, projetado para tarefas diárias que exigem resultados rápidos. A empresa anunciou em 10 de outubro que este novo nível está disponível no aplicativo desktop Qoder versão 0.4.4 e posterior, tanto para usuários individuais quanto corporativos, nas versões chinesa e internacional, conforme noticiado pelo IT Home.

O modo Fast é caracterizado por um tempo de primeira resposta de cerca de três segundos, alta qualidade de saída e um fator de uso de créditos de 0,8x. Na versão chinesa, o Fast foi adicionado como uma opção adicional às opções já existentes. Enquanto na versão internacional ele substitui o nível Performance anterior, em vez de ser colocado ao lado dele.

Para os usuários internacionais, essa mudança significa a introdução de um nível mais rápido e econômico sem comprometer a qualidade. O tempo de primeira resposta foi reduzido de aproximadamente oito segundos para três, e o fator de créditos diminuiu de 1,1x para 0,8x, o que representa uma economia de cerca de 27%. O Qoder afirma que a qualidade da saída permanece a mesma do Performance, e os usuários do nível antigo são automaticamente migrados para o novo modo sem necessidade de qualquer ação da parte deles.

O Qoder também publicou métricas de tempo de primeira resposta para seus outros níveis. De acordo com suas próprias medições, o Fast com três segundos compara-se com 7,9 segundos para Performance na versão internacional, 9,8 segundos para Auto e 13 segundos para Ultimate na versão internacional. Isso coloca o Fast em uma posição que corresponde a menos de um terço do tempo do Auto e aproximadamente um quarto do tempo do Ultimate.

A empresa realizou um teste comparativo próprio contra modos rápidos de ferramentas de codificação concorrentes. Neste teste auto-relatado, que abrangeu dez tarefas de desenvolvedor mais comuns, o Qoder afirmou ter concluído o trabalho em cerca de um terço do tempo em comparação com produtos domésticos comparáveis e em cerca de um quarto do tempo em comparação com produtos estrangeiros comparáveis. Os nomes dos produtos testados não foram divulgados, e os números obtidos não passaram por verificação independente.

Os exemplos de tarefas apresentados no anúncio foram relativamente simples: criar um breve itinerário turístico levou cerca de um segundo, e converter um diário de trabalho diário em um plano para o dia seguinte levou cerca de quatro segundos. O Qoder informou que outros produtos da família Qoder adicionarão o modo Fast em breve, mas prazos exatos não foram fornecidos. Este nível é voltado para trabalho rotineiro e rápido, enquanto os níveis mais lentos, como o Ultimate, permanecem disponíveis para tarefas mais complexas.

Histórias semelhantes

Modelo XekRung da Alibaba ocupa o primeiro lugar no ranking CyberGym com 88,9%
Leia mais
pandaily.com

Modelo XekRung da Alibaba ocupa o primeiro lugar no ranking CyberGym com 88,9%

O modelo de linguagem grande de segurança cibernética XekRung da Alibaba conquistou o primeiro lugar no ranking CyberGym, que é um padrão para reprodução de vulnerabilidades e é suportado por pesquisadores da Universidade da Califórnia em Berkeley. Esta versão, designada como XekRung-1.5-27B-Preview e refinada com base no modelo de código aberto Qwen3.8-27B da Alibaba, demonstrou sucesso em nível de 88,9% na apresentação de dados de 13 de setembro. Mídia tecnológica chinesa relatou este resultado em 28 de setembro, observando que este é o primeiro caso em que um modelo de desenvolvedor chinês liderou este ranking.

O teste CyberGym inclui 1507 vulnerabilidades reais de 188 projetos de código aberto, originalmente descobertas pelo programa OSS-Fuzz do Google. No primeiro nível da tarefa, o modelo recebe uma descrição da vulnerabilidade e o código não atualizado, e então deve criar um arquivo de entrada na forma de prova de conceito que ative o erro na versão vulnerável, mas não na versão corrigida.

No ranking atual, o modelo XekRung supera o Gemini 3.8 Flash Cyber do Google com um resultado de 86,3%, o GPT-5.5-Cyber da OpenAI com 85,6%, o GLM-5.3 da Zhipu AI com 84,5% e o DeepSeek-V4-Pro com 83,3%. Os apoiadores deste benchmark observam que as avaliações são fornecidas por equipes separadas, os testes são estocásticos e pequenas diferenças nas pontuações podem não refletir diferenças significativas nas capacidades.

O modelo foi desenvolvido no Laboratório de Segurança AGI da Alibaba sob a liderança de Huang Luntao. De acordo com o relatório da equipe, o modelo base Qwen3.8-27B obteve 54,51% sob as mesmas condições, o que representa um aumento de 34,39 pontos percentuais após o treinamento adicional. O laboratório explica este sucesso através do ajuste fino supervisionado em dados anonimizados de suas próprias operações de segurança da Alibaba, aprendizado por reforço de agentes dentro de uma estrutura instrumental geral, obtenção de recompensas baseadas em compilação, falhas e validação de PoC, e reutilização de tentativas fracassadas como pares corretivos para treinamento. É enfatizado que nenhuma tarefa, patch ou PoC de referência do CyberGym foi usado durante o processo de treinamento. A avaliação foi realizada em inferência FP8 localmente hospedada com uma janela de contexto de 256K, sem frameworks de fuzzing pré-instalados e com acesso limitado à rede de acordo com a lista permitida no benchmark.

A Alibaba também enfatiza a eficiência, afirmando que o modelo de 27 bilhões de parâmetros tem 1/27 ou 1/370 do tamanho em comparação com modelos cibernéticos comparáveis, o que reduzirá os custos computacionais para classificação automatizada de vulnerabilidades. Os pesos do XekRung ainda não foram publicados, e a Alibaba não forneceu prazos para acesso externo, embora Huang tenha declarado que a tecnologia de segurança do laboratório será oferecida mais amplamente, e futuras versões visam inteligência adversária, autoevolução e tarefas de agente. Um relatório técnico sobre o XekRung, focado na versão de 8 bilhões de parâmetros construída sobre o Qwen, foi lançado anteriormente em maio.

Popular