Mistral Leanstral 1.5 പുറത്തിറക്കി: ഫോർമൽ മാത്തമാറ്റിക്സിലും കോഡ് വെരിഫിക്കേഷനിലും ഒരു വലിയ മുന്നേറ്റം

Lean 4 പ്രോഗ്രാമിംഗ് ഭാഷ ഉപയോഗിച്ചുള്ള ഫോർമൽ വെരിഫിക്കേഷനായി (formal verification) പ്രത്യേകം രൂപകൽപ്പന ചെയ്ത ശക്തമായ ഓപ്പൺ സോഴ്സ് മോഡലായ Leanstral 1.5 Mistral AI ഔദ്യോഗികമായി പുറത്തിറക്കി. ഗണിതശാസ്ത്ര തെളിവുകളുടെയും (mathematical proofs) സോഫ്റ്റ്‌വെയർ കൃത്യതയുടെയും (software correctness) സങ്കീർണ്ണതകൾ കൈകാര്യം ചെയ്യുന്നതിലൂടെ, ഉയർന്ന സാങ്കേതിക ആവശ്യങ്ങളുള്ള മേഖലകളിൽ ഓപ്പൺ സോഴ്സ് AI-യുടെ ഉപയോഗക്ഷമതയിൽ ഈ മോഡൽ ഒരു വലിയ കുതിച്ചുചാട്ടമാണ് അടയാളപ്പെടുത്തുന്നത്.

ഫോർമൽ മാത്തമാറ്റിക്സ് ബെഞ്ച്മാർക്കുകളിൽ ആധിപത്യം

ഗണിതശാസ്ത്ര തെളിവുകളും സോഫ്റ്റ്‌വെയർ വിശ്വാസ്യതയും പരിശോധിക്കുന്നതിനായി നിർമ്മിച്ച Lean 4 എന്ന ഭാഷയ്ക്ക് ആവശ്യമായ സങ്കീർണ്ണമായ ലോജിക് കൈകാര്യം ചെയ്യാൻ Leanstral 1.5 രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു. പ്രത്യേക ബെഞ്ച്മാർക്കുകളിൽ ഈ മോഡലിന്റെ പ്രകടനം അസാധാരണമാണ്. ഹൈസ്കൂൾ തലത്തിലുള്ള ഗണിതശാസ്ത്രം മുതൽ മാത്ത് ഒളിമ്പ്യാഡുകളുടെ കഠിനമായ ചോദ്യങ്ങൾ വരെയുള്ള miniF2F ബെഞ്ച്മാർക്കിൽ ഇത് 100 ശതമാനം സ്കോർ നേടി.

പ്രശസ്തമായ Putnam ഗണിത മത്സരത്തിലെ 672 ചോദ്യങ്ങൾ അടങ്ങിയ PutnamBench ഉപയോഗിച്ച് പരീക്ഷിച്ചപ്പോൾ, Leanstral 1.5 അതിൽ 587 ചോദ്യങ്ങളും വിജയകരമായി പരിഹരിച്ചു. ഈ പ്രകടനം ഓപ്പൺ സോഴ്സ് മേഖലയിൽ ഇതിനെ മുൻനിരയിൽ എത്തിക്കുന്നു; ക്ലോസ്ഡ് സോഴ്സ് ആയ Aleph Prover മാത്രമാണ് ഇതിനേക്കാൾ മുന്നിൽ. കൂടാതെ, ഗ്രൂപ്പ്, റിംഗ് തിയറി (group and ring theory) പോലുള്ള ഉന്നത വിഷയങ്ങൾ ഉൾക്കൊള്ളുന്ന FATE-H ബെഞ്ച്മാർക്കിൽ 87 ശതമാനവും FATE-X-ൽ 34 ശതമാനവും നേടി ആൽജിബ്രയിലെ ബിരുദതല ഗണിതശാസ്ത്രത്തിൽ മോഡൽ പ്രാവീണ്യം തെളിയിച്ചു.

ഗണിതത്തിനപ്പുറം: യഥാർത്ഥ ലോകത്തിലെ കോഡ് ബഗ് കണ്ടെത്തൽ

ഇതിന്റെ ഗണിതശാസ്ത്രപരമായ കഴിവാണ് പ്രധാന വാർത്തയെങ്കിലും, കോഡ് വെരിഫിക്കേഷൻ ശേഷിയിലൂടെ സോഫ്റ്റ്‌വെയർ എഞ്ചിനീയർമാർക്ക് ഒരു മികച്ച ഉപകരണമായി Leanstral 1.5 മാറുന്നു. 57 വ്യത്യസ്ത ഓപ്പൺ സോഴ്സ് റിപ്പോസിറ്ററികൾ (repositories) സ്കാൻ ചെയ്യാൻ ഉപയോഗിച്ചുകൊണ്ട് മോഡലിന്റെ പ്രായോഗിക ഉപയോഗക്ഷമത Mistral തെളിയിച്ചു.

ഈ പ്രായോഗിക പരീക്ഷണത്തിൽ, മുമ്പ് അറിയപ്പെടാത്ത അഞ്ച് ബഗുകൾ മോഡൽ വിജയകരമായി കണ്ടെത്തി. varinteger എന്ന Rust ലൈബ്രറിയിലുള്ള ഒരു ഓവർഫ്ലോ ബഗ് (overflow bug) ഇതിൽ ശ്രദ്ധേയമായ ഒന്നാണ്. പ്രൊഡക്ഷൻ ലെവൽ കോഡുകളിലെ സൂക്ഷ്മവും ഗുരുതരവുമായ പിശകുകൾ കണ്ടെത്തുന്ന ഈ കഴിവ്, മെമ്മറി സേഫ് ആയതോ അല്ലെങ്കിൽ അതീവ പ്രാധാന്യമുള്ളതോ ആയ ഭാഷകളിൽ ജോലി ചെയ്യുന്ന ഡെവലപ്പർമാർക്ക് ഒരു ഓട്ടോമേറ്റഡ് "സാനിറ്റി ചെക്ക്" (sanity check) ആയി Leanstral 1.5 പ്രവർത്തിക്കാൻ കഴിയുമെന്ന് സൂചിപ്പിക്കുന്നു.

സാങ്കേതിക കൃത്യതയും ലഭ്യതയും

മിഡ്-ട്രെയിനിംഗ് (mid-training), സൂപ്പർവൈസ്ഡ് ഫൈൻ ട്യൂണിംഗ് (SFT), റൈൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ് (RL) എന്നിവ ഉൾപ്പെടുന്ന സങ്കീർണ്ണമായ ഒരു ട്രെയിനിംഗ് പൈപ്പ്‌ലൈൻ വഴിയാണ് Leanstral 1.5 വികസിപ്പിച്ചെടുത്തത്. ഈ ബഹുതല സമീപനം, മോഡൽ വെറുമൊരു അടുത്ത ടോക്കൺ പ്രവചിക്കുക മാത്രമല്ല, ഫോർമൽ റീസണിംഗിന് ആവശ്യമായ അടിസ്ഥാന ലോജിക്കൽ ഘടനകൾ മനസ്സിലാക്കുന്നുവെന്നും ഉറപ്പാക്കുന്നു.

ഓപ്പൺ സോഴ്സ് ഇക്കോസിസ്റ്റത്തെ ശക്തിപ്പെടുത്തുന്നതിനായി, Apache 2.0 ലൈസൻസിന് കീഴിലാണ് Mistral ഈ മോഡൽ പുറത്തിറക്കിയിരിക്കുന്നത്. ഇത് ഡെവലപ്പർമാർക്കും ഗവേഷകർക്കും കുറഞ്ഞ നിയന്ത്രണങ്ങളോടെ മോഡൽ സംയോജിപ്പിക്കാനും (integrate) മാറ്റങ്ങൾ വരുത്താനും ഉപയോഗിക്കാനും അനുവദിക്കുന്നു. Leanstral 1.5 നിലവിൽ Hugging Face വഴിയും സൗജന്യ API വഴിയും ലഭ്യമാണ്, ഇത് തങ്ങളുടെ പ്രവർത്തനങ്ങളിൽ ഫോർമൽ വെരിഫിക്കേഷൻ നടപ്പിലാക്കാൻ ആഗ്രഹിക്കുന്ന ടീമുകൾക്ക് എളുപ്പത്തിൽ ഉപയോഗിക്കാൻ സഹായിക്കുന്നു.

പ്രധാന വിവരങ്ങൾ

• ബെഞ്ച്മാർക്ക് മികവ്: Leanstral 1.5 miniF2F-ൽ 100% സ്കോർ നേടിയിട്ടുണ്ട്, കൂടാതെ PutnamBench-ലും ബിരുദതല ആൽജിബ്ര പരീക്ഷകളിലും മിക്കവാറും എല്ലാ ഓപ്പൺ സോഴ്സ് എതിരാളികളെക്കാളും മികച്ച പ്രകടനം കാഴ്ചവെക്കുന്നു.
• പ്രായോഗിക ഡീബഗ്ഗിംഗ്: റിപ്പോസിറ്ററി സ്കാനുകൾക്കിടയിൽ ഒരു Rust ലൈബ്രറിയിലെ ഓവർഫ്ലോ ബഗ് പോലുള്ള യഥാർത്ഥ ലോകത്തിലെ സുരക്ഷാ പിശകുകൾ കണ്ടെത്തുന്നതിനുള്ള ശേഷി മോഡൽ തെളിയിച്ചു കഴിഞ്ഞു.
• ഓപ്പൺ സോഴ്സ് ശാക്തീകരണം: Apache 2.0 ലൈസൻസിന് കീഴിൽ പുറത്തിറക്കിയ ഈ മോഡൽ, ആഗോള ഡെവലപ്പർ സമൂഹത്തിന് Hugging Face വഴിയും സൗജന്യ API വഴിയും എളുപ്പത്തിൽ ലഭ്യമാണ്.