في عالم الذكاء الاصطناعي، استطاعت النماذج اللغوية الضخمة (Large Language Models) أن تتجاوز العديد من التحديات، ومن بينها إمكانية توليد أكواد كمية دقيقة. لكن هل يمكن الاعتماد عليها لتوليد أكواد تتوافق بدقة مع إصدارات محددة من مجموعات تطوير البرمجيات (SDKs)؟ في هذا السياق، تم تقديم مفهوم "انحراف واجهات برمجة التطبيقات" (API Drift)، والذي يهدف إلى قياس مدى نجاح الأكواد المولَّدة في الوفاء بمتطلبات المستخدم.

لقد تم تطوير معيار "quantum-api-drift" الذي يقيس نجاح التنفيذ على الإصدار المطلوب، ومدى توافق الإصدارات المختلفة، وأنماط الفشل، وعمليات التصحيح الموجهة بالوثائق. تم تجريب هذا المعيار على مجموعة Qiskit، التي تعد نموذجًا رئيسيًا لمجموعات تطوير البرمجيات الكمية، والتي شهدت تغييرات جذرية في واجهاتها عبر الإصدارات المختلفة.

أظهرت التجارب التي شملت 17 نموذجًا على 50 مهمة، أن النماذج تختلف في قدرتها على إنتاج أكواد دقيقة ومتوافقة مع الإصدارات المتوافرة. على سبيل المثال، تصدرت نموذج "Claude Opus 4.7" في النسختين v0.43 وv2.0، بينما حقق "Grok 4.20" أعلى نتائج على النسخة v1.3.

وتظهر النتائج أيضًا أن التدقيق والتعديل المبني على الوثائق كان له تأثير كبير، حيث تم تسجيل نجاحات تتراوح بين 19% إلى 59% عند محاولة تصحيح الأخطاء. هذه الأرقام تشير بوضوح إلى أنه رغم تقدم النماذج، فإن انحراف واجهات برمجة التطبيقات لا يمكن استرداده بالكامل حتى مع توجيهات الانتقال.

للمزيد من التفاعل، يمكنكم استكشاف المعايير والأدوات المتاحة عبر الـرابط هنا. ما رأيكم في هذه النتائج؟ هل تعتقدون أن النماذج اللغوية قادرة على تجاوز هذه التحديات؟ شاركونا أفكاركم في التعليقات!