דלג לתוכן הראשי

Qiskit Code Assistant

Qiskit Code Assistant שואף להפוך את המחשוב הקוונטי לנגיש יותר למאמצים חדשים של Qiskit ולשפר את חוויית הקידוד עבור משתמשים קיימים. זהו עוזר קוד מבוסס בינה מלאכותית גנרטיבית המופעל על ידי watsonx. הוא מאומן באמצעות מיליוני אסימוני טקסט מ-SDK של Qiskit, שנים של דוגמאות קוד Qiskit, ותכונות IBM Quantum®. Qiskit Code Assistant יכול לסייע בתהליך פיתוח הקוד הקוונטי שלך על ידי הצעת הצעות שנוצרו על ידי LLM המבוססות על מודלי IBM Granite, הכוללות את התכונות והפונקציונליות העדכניות ביותר מ-IBM®.

הערות
  • זוהי תכונה ניסיונית הזמינה למשתמשי IBM Quantum Premium Plan הרשומים בפלטפורמת IBM Quantum Platform החדשה.
  • Qiskit Code Assistant נמצא בשלב גרסת תצוגה מקדימה וכפוף לשינויים.
  • אם יש לך משוב או שתרצה לפנות לצוות המפתחים, השתמש בערוץ Qiskit Slack Workspace או במאגרי GitHub הציבוריים הרלוונטיים.

תכונות​

התכונות הבאות כלולות בתוספים ל-Visual Studio Code (VS Code) ועורכים תואמים, כמו גם ל-JupyterLab:

  • מאיץ את יצירת קוד Qiskit על ידי מינוף בינה מלאכותית גנרטיבית המבוססת על מודלים המתמחים ביצירת קוד Qiskit.
  • מאפשר בקשות מופשטות וספציפיות ליצירת המלצות.
  • מציג הצעות שניתן לסקור, לקבל או לדחות.
  • תומך בקובצי קוד Python ומחברות Jupyter.
  • כולל הגבלות למניעת מענה לשאלות המהוות סיכון פוטנציאלי למשתמשים, כגון נאום שנאה.

לקבלת הוראות לשילוב Qiskit Code Assistant ישירות בסביבת הפיתוח שלך, עקוב אחר ההוראות בנושא המתאים:

מודל השפה הגדול (LLM) מאחורי Qiskit Code Assistant​

כדי לספק הצעות קוד, Qiskit Code Assistant משתמש במודל שפה גדול (LLM). במקרה זה, Qiskit Code Assistant מסתמך כרגע על המודל mistral-small-3.2-24b-qiskit, הבנוי על מודל Mistral-Small-3.2-24B-Qiskit. המודל mistral-small-3.2-24b-qiskit משפר את יכולות יצירת הקוד של מודל Mistral-Small-3.2-24B-Instruct-2506 עבור Qiskit באמצעות אימון מקדים מורחב וכוונון עדין על נתוני Qiskit באיכות גבוהה, כמו גם commit-ים של Python ושיחות. למידע נוסף על משפחת מודלי Mistral AI, עיין בתיעוד Mistral AI. לפרטים נוספים על מודלי .*-qiskit, ראה Qiskit Code Assistant: Training LLMs for generating Quantum Computing Code.

ה-LLMs המתמחים שלנו ב-Qiskit זמינים גם כמודלים בקוד פתוח. בדוק את כל המודלים הזמינים בכתובת https://huggingface.co/Qiskit.

ה-Benchmarks של Qiskit HumanEval ו-Qiskit HumanEval Hard​

כדי לבדוק את mistral-small-3.2-24b-qiskit ומודלים אחרים, שיתפנו פעולה עם Advocates ומומחים של Qiskit ליצירת ה-benchmarks המבוססים על ביצוע בשם Qiskit HumanEval (QHE) ו-Qiskit HumanEval Hard (QHE Hard), והרצנו אותם על המודלים. ה-benchmarks הללו דומים ל-HumanEval, כולל מספר בעיות קוד מאתגרות לפתרון, כולן מבוססות על ספריות Qiskit הרשמיות.

ה-benchmarks מורכבים מכ-150 בדיקות, כל אחת עשויה מהגדרת פונקציה, ואחריה docstring המפרט את המשימה שהמודל נדרש לפתור. כל דוגמה כוללת גם פתרון קנוני ייחוסי, וכן בדיקות יחידה, להערכת נכונות הפתרונות שנוצרו. ישנן שלוש רמות קושי לבדיקות: בסיסי, ביניים וקשה. ה-benchmark של Qiskit HumanEval Hard הוא וריאציה של זה של Qiskit HumanEval, אך מסיר מידע הקשור ל-import של קוד, כך שה-LLM צריך להבין את ה-import הנכון של המתודה או המחלקה. שינוי זה הופך את מערך הנתונים לאתגרתי הרבה יותר עבור LLMs, לפי הבדיקות והתוצאות הראשוניות שלנו.

מערכי הנתונים של Qiskit HumanEval ו-Qiskit HumanEval Hard זמינים באתרים הבאים: Qiskit HumanEval ו-Qiskit HumanEval. ניתן לתרום לפיתוח של ה-benchmarks הללו במאגר GitHub.

מידע נוסף וציטוטים​

למידע נוסף על Qiskit Code Assistant, Qiskit HumanEval, או ה-benchmarks של Qiskit HumanEval Hard, ולציטוט שלהם בפרסומים מדעיים, עיין בציטוטים המומלצים הבאים:

@misc{2405.19495,
Author = {Nicolas Dupuis and Luca Buratti and Sanjay Vishwakarma and Aitana Viudes Forrat and David Kremer and Ismael Faro and Ruchir Puri and Juan Cruz-Benito},
Title = {Qiskit Code Assistant: Training LLMs for generating Quantum Computing Code},
Year = {2024},
Eprint = {arXiv:2405.19495},
}
@misc{2406.14712,
Author = {Sanjay Vishwakarma and Francis Harkins and Siddharth Golecha and Vishal Sharathchandra Bajpe and Nicolas Dupuis and Luca Buratti and David Kremer and Ismael Faro and Ruchir Puri and Juan Cruz-Benito},
Title = {Qiskit HumanEval: An Evaluation Benchmark For Quantum Code Generative Models},
Year = {2024},
Eprint = {arXiv:2406.14712},
}
@misc{2508.20907,
Author = {Nicolas Dupuis and Adarsh Tiwari and Youssef Mroueh and David Kremer and Ismael Faro and Juan Cruz-Benito},
Title = {Quantum Verifiable Rewards for Post-Training Qiskit Code Assistant},
Year = {2025},
Eprint = {arXiv:2508.20907},
}

הצעדים הבאים​

המלצות