La ósmosis ai tiene un código abierto Ósmosis-apply-1.7buna variante ajustada de QWEN3-1.7B, diseñada para realizar tareas de combinación de código altamente precisas y estructuradas. Inspirarse en agentes IDE como la “Aplicación instantánea” de Cursor, Osmosis-Apply-1.7b está optimizado para ediciones de código a nivel de función sensible al contexto. El modelo logra un fuerte rendimiento con menos parámetros en comparación con modelos de base mucho más grandes al aprovechar las etiquetas de formato específicas del código, un conjunto de datos de alta calidad y la integración del protocolo de contexto del modelo (MCP).
Tareas de combinación de código para el código
A diferencia de los LLM de propósito general que luchan con la aplicación DiFF y la fusión semántica, la ósmosis-aplica-7b está capacitado específicamente para aplicar ediciones estructuradas a nivel de función o bloque. El modelo toma tres entradas estructuradas: (1) el código original, (2) el conjunto de ediciones o diferencias, y (3) el formato de combinación esperado. Luego devuelve un bloque de código revisado donde se aplica el cambio dentro de <edit> Etiquetas anidadas en un <code> bloquear. Este formato se alinea con las expectativas de grado de producción y simplifica la validación.
Estructura de entrenamiento y recompensa
Ósmosis-aplica-1.7b fue ajustado en aproximadamente 100,000 confirmaciones del mundo real de la CommitPackft conjunto de datosque representa menos del 15% del corpus completo. Cada muestra de capacitación se estructuró para representar flujos de trabajo de desarrolladores prácticos. Se utilizó un sistema posterior a la capacitación basado en recompensas:
- Partido completo (incluido el formato): recompensa = 1.0
- Match semántico (ignorando líneas en blanco): recompensa = 0.2
- Partido incorrecto o fallido: Recompensa = 0.0
Este esquema de recompensa refuerza las salidas de alta fidelidad al tiempo que permite cierta clemencia en la variación estilística, imitando de manera estrechamente cómo funcionan las revisiones de código en la práctica.
Resultados de referencia
Osmosis AI comparó el modelo utilizando una evaluación de 10,000 muestras de la CommitPackft conjunto de datos. Los puntajes de recompensa promedio demuestran un rendimiento fuerte en relación con LLMS más grandes:
| Modelo | Puntaje de recompensa |
|---|---|
| Ósmosis-apply-1.7b | 0.9805 |
| Soneto de Claude 4 | 0.9328 |
| GPT-3.5-TURBO | 0.8639 |
| Gemini-2.5-flash | 0.7745 |
Estos resultados destacan la fuerza del modelo para aplicar cambios localizados al tiempo que preservan la semántica, el formato y la estructura.
Integración de MCP para flujos de trabajo del desarrollador
Una característica clave del modelo es su soporte nativo para el Protocolo de contexto modelo (MCP)habilitando la invocación de contexto estructurado con jerarquías de archivos, nombres de funciones y etiquetas de edición. El modelo se adhiere al apply-code Especificaciones de MCP, permitiendo un uso sin problemas en herramientas de CLI y agentes IDE. Devuelve cambios alcanzados en el nivel de función y marca las ediciones utilizando etiquetas de estilo XML bien estructuradas, lo que simplifica el seguimiento de diferencia y las herramientas aguas abajo.
Casos de herramientas y uso de desarrolladores
Osmosis AI también ha publicado una implementación de referencia que admite la inferencia local y la integración con servicios como VLLM o Gulp Server. Las herramientas incluyen ejemplos de uso basados en CLI, implementación del servidor MCP y guías de implementación seguras.
Los casos de uso clave incluyen:
- Agentes IDE que ofrecen “aplicar instantáneos” para cambios especificados por el usuario
- Bots CI que aplican cambios automáticos o cambios basados en revisión
- Tuberías de generación de conjuntos de datos para ajuste fino
- Herramientas de transformación de código con lógica de fusión consciente de la estructura
Formato e implementación
El modelo emite ediciones envueltas en <code> y <edit> Etiquetas para garantizar la compatibilidad con los validadores automatizados. Las versiones del modelo listas para la inferencia se proporcionan en múltiples formatos que incluyen safetensors y GGUF para una implementación eficiente. Ósmosis-aplica-1.7b se puede alojar localmente o servirse en modo cuantificado para una inferencia optimizada en hardware restringido.
Disponibilidad y licencia
Ósmosis-apply-1.7b está disponible bajo la licencia Apache-2.0 y se aloja en ambos Cara abrazada y Github. El lanzamiento incluye todos los scripts necesarios para inferencia, ejemplos para la implementación compatible con MCP y guías de formato estructurado.
Conclusión
Mediante la abierta Osmosis-Aply-1.7b, la IA de ósmosis aborda una necesidad clave de modelos de edición de código a nivel de función y código de estructura. A diferencia de los modelos de base, este modelo especializado combina un tamaño compacto con precisión y alineación de formatos. Su integración MCP, ajuste fino basado en recompensas y soporte de estructura sintáctica lo convierten en un candidato ideal para herramientas de desarrolladores del mundo real.
Mira el Página de Github, Página de la cara abrazada y Detalle técnico. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, siéntete libre de seguirnos Gorjeo, YouTube y Spotify Y no olvides unirte a nuestro Subreddit de 100k+ ml y suscribirse a Nuestro boletín.
Asif Razzaq es el CEO de MarktechPost Media Inc .. Como empresario e ingeniero visionario, ASIF se compromete a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, MarktechPost, que se destaca por su cobertura profunda de noticias de aprendizaje automático y de aprendizaje profundo que es técnicamente sólido y fácilmente comprensible por una audiencia amplia. La plataforma cuenta con más de 2 millones de vistas mensuales, ilustrando su popularidad entre el público.