تصور کنید بتوانید با پرداخت نصف هزینهی فعلی و سرعت بسیار بیشتر، باگهای پیچیدهی کدتان را اصلاح کنید. طبق گزارشی که در ۹ اوت ۲۰۲۶ منتشر شد، یک چارچوب عیبیابی سبک به نام mini-swe-agent توانسته است به نرخ موفقیت ۷۸ درصدی در وظایف مشابه برسد.
این دستاورد با استفاده از ۵۴٪ توکن کمتر نسبت به Codex CLI به دست آمده است. این نتیجه، فرض رایج مبنی بر نیاز به ابزارهای پیچیده و حجیم برای تعمیرات باکیفیت کد را به چالش میکشد. در فضای فعلی، رقابت از اندازه مدلها به سمت کارایی عاملها (Agents) — شبیه به تبدیل یک سازمان دولتی حجیم به یک تیم کوچک و چابک — حرکت کرده است. این روند تکامل عاملها با یافتههای اخیر در مورد مدلهای سبکوزن همسو است، بهطوری که مدل V4-Flash دیپسیک نیز در بنچمارکهای عاملمحور توانست از نسخهی Pro پیشی بگیرد. بسیاری از توسعهدهندگان با «تورم توکن» دستوپنجه نرم میکنند؛ جایی که عاملها هزاران توکن را در حلقههای تکراری هدر میدهند.
همانطور که در تحلیلهای قبلی ما دربارهی بهینهسازی هزینهی استنتاج اشاره کردیم، رویکرد mini-swe-agent عیبیابی را مانند یک تاریخچهی خطی ساده از دستورات bash میبیند؛ درست همانطور که یک برنامهنویس انسان گامبهگام در ترمینال پیش میرود.
بر اساس مستندات این محک که با مدل GPT-5.6 SOL در حالت Reasoning بالا اجرا شده، نتایج خیرهکنندهای به دست آمده است. این عملکرد در ادامه پیشرفتهای چشمگیر خانواده GPT است که پیشتر شاهد پیشی گرفتن GPT-5.5 در حل مسائل پیچیده مهندسی نسبت به رقبایش بودیم:
- نسخهی سادهی mini-swe-agent با مصرف ۷۰.۳۳ میلیون توکن، نرخ موفقیت ۶۷ درصدی داشت.
- در مقابل، Codex CLI High با مصرف ۱۵۱.۹۱ میلیون توکن، تنها به ۶۰٪ موفقیت رسید.
- با افزودن یک لایهی اجرای کلان (Macro Execution Harness) به همان پرامپت، نرخ موفقیت به ۷۸٪ جهش کرد و مصرف توکن حتی بیشتر کاهش یافت و به ۶۰.۵۹ میلیون رسید.
به نقل از تحلیلگران این پروژه، دادهها نشان میدهند که «هارنس» — یعنی محیط و ابزارهای پیرامون مدل زبانی بزرگ (LLM) — به اندازهی خود مدل اهمیت دارد. با سادهسازی لایهی اجرا، توسعهدهندگان میتوانند وصلههای (Patches) دقیقتری را با تأخیر و هزینهی بهمراتب کمتر دریافت کنند. این رویکرد بهینه در کنار ظهور مدلهای کدنویسی جدید، مانند قابلیتهای GLM-5.2 که به عنوان جایگزینی عملی برای توسعهدهندگان معرفی شد، چشمانداز توسعه نرمافزار را تغییر میدهد. در واقع، تغییر مسیر از «برنامهریزی پیچیده» به سمت «اجرای بهینه» است.
با این حال، سازندهی این محک که مسئولیت نگهداری Tura را بر عهده دارد، اشاره میکند که بخشی از این فاصله ممکن است ناشی از تنظیم پرامپت (Prompt Tuning) باشد. پرسش حیاتی این است که آیا این کارایی در خارج از محیطهای آزمایشی — جایی که تنظیمات مخازن کد و تستهای طولانی معمولاً باعث شکست گردشهای کاری میشوند — نیز حفظ میشود یا خیر.
گام بعدی شما
- نتایج دقیقتر را در وبسایت محک Tura بررسی کنید.
- مخزن این چارچوب در GitHub را تحلیل کنید تا ببینید آیا یک ساختار bash مینیمال با خط لوله توسعه شما سازگار است یا خیر.
- مصرف توکنهای عاملهای فعلی خود را با متد خطی مقایسه کنید.
اما داستان سختافزاری این بهینهسازیها حتی شگفتانگیزتر است؛ برای درک لایهی زیرساختی این سرعت، به تحلیل ما درباره تراشههای Blackwell مراجعه کنید.
گفتگو