Grok ۴.۵ معرفی شد؛ قدرتمندترین مدل هوش مصنوعی xAI با تمرکز بر برنامه‌نویسی و مهندسی

شهرآرانیوز، شرکت xAI از جدیدترین مدل هوش مصنوعی خود با نام Grok ۴.۵ رونمایی کرد؛ مدلی که به گفته این شرکت، هوشمندترین محصول آن تا امروز محسوب می‌شود و با تمرکز بر برنامه‌نویسی، انجام وظایف عامل‌محور (Agentic Tasks) و فعالیت‌های تخصصی در حوزه دانش توسعه یافته است.

Grok ۴.۵؛ نسل جدید هوش مصنوعی برای توسعه نرم‌افزار

xAI اعلام کرده است که Grok ۴.۵ با هدف پاسخگویی به نیاز‌های توسعه‌دهندگان، مهندسان و متخصصان حوزه فناوری طراحی شده و نسبت به نسل‌های قبلی از توانایی استدلال، تحلیل و تولید کد بسیار بالاتری برخوردار است.

این مدل روی مجموعه‌داده‌هایی شامل برنامه‌نویسی، علوم، مهندسی و ریاضیات آموزش دیده و به لطف بهبود فرآیند‌های یادگیری و استدلال، می‌تواند پروژه‌های پیچیده نرم‌افزاری را با دقت بیشتری مدیریت کند.

عملکرد Grok ۴.۵ در بنچمارک‌های برنامه‌نویسی چه معنایی دارد؟

برای سنجش توانایی مدل‌های هوش مصنوعی، تنها پاسخ به سوالات عمومی کافی نیست. امروزه مهم‌ترین معیار، عملکرد مدل‌ها در بنچمارک‌های تخصصی مهندسی نرم‌افزار است؛ آزمون‌هایی که توانایی یک مدل در تحلیل کد، رفع باگ، توسعه نرم‌افزار و حل مسائل واقعی برنامه‌نویسی را ارزیابی می‌کنند.

بر اساس نتایج منتشرشده از سوی xAI، گراک ۴.۵ در چندین بنچمارک معتبر عملکرد رقابتی از خود نشان داده که نشان می‌دهد این مدل بیش از آنکه یک چت‌بات باشد، برای انجام کار‌های واقعی توسعه نرم‌افزار طراحی شده است.

DeepSWE؛ آزمون توانایی مدل در حل مسائل واقعی مهندسی نرم‌افزار

یکی از مهم‌ترین معیار‌های ارزیابی، DeepSWE است. در این آزمون، مدل باید مانند یک برنامه‌نویس حرفه‌ای، مشکلات موجود در یک پروژه نرم‌افزاری را تحلیل کرده، کد مناسب بنویسد و بدون دخالت انسان مسئله را حل کند.

Grok ۴.۵ در نسخه DeepSWE ۱.۰ امتیاز ۶۲ درصد را کسب کرده است. اگرچه این عدد از مدل‌هایی مانند Fable با امتیاز ۶۶.۱ درصد و GPT-۵.۵ با امتیاز ۶۴.۳ درصد پایین‌تر است، اما همچنان آن را در جمع قدرتمندترین مدل‌های برنامه‌نویسی دنیا قرار می‌دهد و اختلاف آن با صدر جدول تنها چند درصد است.

SWE Marathon؛ سنجش عملکرد در پروژه‌های طولانی و پیچیده

آزمون SWE Marathon یکی از سخت‌ترین معیار‌های ارزیابی محسوب می‌شود؛ زیرا مدل باید پروژه‌هایی را حل کند که نیازمند استدلال چندمرحله‌ای، بررسی فایل‌های متعدد و تصمیم‌گیری در طول زمان هستند.

در این آزمون، Grok ۴.۵ موفق شده ۲۹ درصد از مسائل را به‌طور کامل حل کند؛ نتیجه‌ای که از مدل‌هایی مانند Opus ۴.۸ با ۲۶ درصد و Fable با ۲۴ درصد بهتر است. این موضوع نشان می‌دهد Grok ۴.۵ در انجام وظایف پیچیده و چندمرحله‌ای عملکرد بسیار قدرتمندی دارد.

Terminal Bench؛ شبیه‌سازی کار یک توسعه‌دهنده در ترمینال

بنچمارک Terminal Bench توانایی مدل در انجام کار‌های واقعی داخل محیط ترمینال را اندازه‌گیری می‌کند؛ از اجرای دستورات لینوکس و مدیریت فایل‌ها گرفته تا نصب وابستگی‌ها، اجرای پروژه و رفع خطاها.

Grok ۴.۵ در نسخه Terminal Bench ۲.۱ امتیاز ۸۳.۳ درصد را به دست آورده است. این نتیجه تنها یک دهم درصد کمتر از GPT-۵.۵ با امتیاز ۸۳.۴ درصد و حدود یک درصد پایین‌تر از صدر جدول است؛ موضوعی که نشان می‌دهد این مدل در کار‌های عملی برنامه‌نویسی تقریباً هم‌سطح بهترین مدل‌های بازار عمل می‌کند.

این نتایج تا چه اندازه مهم هستند؟

کسب امتیاز‌های بالای ۶۰ درصد در آزمون‌های مهندسی نرم‌افزار، برای مدل‌های هوش مصنوعی یک دستاورد قابل توجه محسوب می‌شود؛ زیرا این بنچمارک‌ها برخلاف آزمون‌های ساده پرسش و پاسخ، توانایی مدل در حل مسائل واقعی توسعه نرم‌افزار را می‌سنجند.

توانایی ساخت اپلیکیشن تنها با یک دستور

یکی از ویژگی‌های برجسته Grok ۴.۵، توانایی تولید پروژه‌های نرم‌افزاری کامل تنها با یک دستور متنی است.

xAI اعلام کرده این مدل می‌تواند از توسعه پروژه‌های پیچیده با زبان‌هایی مانند Rust و C/C++ گرفته تا ساخت کامل اپلیکیشن‌های کاربردی را تنها با دریافت یک پرامپت انجام دهد. این قابلیت، Grok ۴.۵ را به گزینه‌ای جذاب برای برنامه‌نویسان و تیم‌های توسعه نرم‌افزار تبدیل می‌کند.

Grok ۴.۵ رقیب جدید مدل‌های پیشرفته هوش مصنوعی

با معرفی Grok ۴.۵، رقابت میان مدل‌های هوش مصنوعی پیشرفته وارد مرحله تازه‌ای شده است. اگرچه xAI این مدل را قدرتمندترین محصول خود می‌داند، اما نتایج منتشرشده نشان می‌دهد Grok ۴.۵ در برخی بنچمارک‌ها عملکردی نزدیک به مدل‌های پیشروی بازار داشته و در برخی ارزیابی‌های تخصصی نیز موفق شده از تعدادی از رقبا پیشی بگیرد.

به نظر می‌رسد تمرکز xAI بر توسعه قابلیت‌های مهندسی نرم‌افزار، برنامه‌نویسی و انجام وظایف عامل‌محور، Grok ۴.۵ را به یکی از مهم‌ترین مدل‌های هوش مصنوعی سال تبدیل کرده است.