Lumaktaw sa pangunahing nilalaman

Qiskit Code Assistant

Ang Qiskit Code Assistant ay layuning gawing mas madaling ma-access ang quantum computing para sa mga bagong gumagamit ng Qiskit at mapabuti ang karanasan sa pag-code ng mga kasalukuyang users. Ito ay isang generative AI code assistant na pinapagana ng watsonx. Ito ay sinanay gamit ang milyun-milyong text token mula sa Qiskit SDK, maraming taon ng mga halimbawa ng Qiskit code, at mga feature ng IBM Quantum®. Makakatulong ang Qiskit Code Assistant sa iyong quantum development workflow sa pamamagitan ng pag-aalok ng mga mungkahi na ginawa ng LLM batay sa IBM Granite models, na nagsasama ng mga pinakabagong feature at functionality mula sa IBM®.

Mga Tala
  • Ito ay isang eksperimental na feature na available sa mga IBM Quantum Premium Plan na user na nakarehistrong sa bagong IBM Quantum Platform.
  • Ang Qiskit Code Assistant ay nasa preview release status at maaaring magbago.
  • Kung mayroon kang feedback o gusto mong makipag-ugnayan sa development team, gamitin ang Qiskit Slack Workspace channel o ang mga kaugnay na pampublikong GitHub repository.

Mga Feature​

Ang mga sumusunod na feature ay kasama sa mga extension ng Visual Studio Code (VS Code) at mga katugmang editor, gayundin ang JupyterLab:

  • Nagpapabilis ng Qiskit code generation sa pamamagitan ng paggamit ng generative AI batay sa mga modelo na espesyalista sa pagbuo ng Qiskit code.
  • Nagbibigay-daan sa mga abstract at tiyak na prompt para makabuo ng mga rekomendasyon.
  • Nagpapakita ng mga mungkahi na maaari mong suriin, tanggapin, o tanggihan.
  • Sinusuportahan ang mga Python code at Jupyter notebook na file.
  • Naglalaman ng mga guardrail para maiwasan ang pagsagot sa mga tanong na kumakatawan sa potensyal na panganib para sa mga user, tulad ng mapang-abusong pananalita.

Para sa mga tagubilin para isama ang Qiskit Code Assistant nang direkta sa iyong development environment, sundin ang mga tagubilin sa naaangkop na paksa:

Ang Large Language Model (LLM) sa likod ng Qiskit Code Assistant​

Para makapagbigay ng mga mungkahi sa code, gumagamit ang Qiskit Code Assistant ng Large Language Model (LLM). Sa kasong ito, kasalukuyang umaasa ang Qiskit Code Assistant sa modelong mistral-small-3.2-24b-qiskit, na itinayo sa Mistral-Small-3.2-24B-Qiskit model. Ang mistral-small-3.2-24b-qiskit na modelo ay nagpapabuti ng kakayahan sa code generation ng modelong Mistral-Small-3.2-24B-Instruct-2506 para sa Qiskit sa pamamagitan ng extended pretraining at fine-tuning nito sa mataas na kalidad na Qiskit data, gayundin ang mga Python commit at chat. Para sa karagdagang impormasyon tungkol sa pamilya ng Mistral AI models, tingnan ang dokumentasyon ng Mistral AI. Para sa karagdagang detalye tungkol sa mga .*-qiskit na modelo, tingnan ang Qiskit Code Assistant: Training LLMs for generating Quantum Computing Code.

Ang aming mga LLM na espesyalista para sa Qiskit ay available din bilang mga open-source na modelo. Tingnan ang lahat ng available na modelo sa https://huggingface.co/Qiskit.

Ang Qiskit HumanEval at Qiskit HumanEval Hard benchmarks​

Para subukan ang mistral-small-3.2-24b-qiskit at iba pang mga modelo, nakipagtulungan kami sa mga Qiskit Advocate at eksperto para lumikha ng mga execution-based na benchmark na tinatawag na Qiskit HumanEval (QHE) at Qiskit HumanEval Hard (QHE Hard), at pinatakbo ang mga ito sa mga modelo. Ang mga benchmark na ito ay katulad ng HumanEval, na kinabibilangan ng maraming mapaghamong problema sa code na dapat solusyunan, lahat ay batay sa mga opisyal na Qiskit library.

Ang mga benchmark ay binubuo ng humigit-kumulang 150 na pagsubok, bawat isa ay gawa mula sa isang function definition, na sinusundan ng isang docstring na nagdedetalye ng gawain na kailangang solusyunan ng modelo. Bawat halimbawa ay naglalaman din ng isang reference canonical solution, gayundin ang mga unit test, para masuri ang kawastuhan ng mga nabuong solusyon. Mayroong tatlong antas ng kahirapan para sa mga pagsubok: basic, intermediate, at mahirap. Ang Qiskit HumanEval Hard benchmark ay isang variation ng Qiskit HumanEval, ngunit inaalis ang impormasyon na may kaugnayan sa mga code import, kaya kailangang alamin ng LLM ang tamang method o class import. Ang pagbabagong ito ay nagpapahirap ng dataset para sa mga LLM, ayon sa aming mga pagsubok at paunang resulta.

Ang mga dataset para sa Qiskit HumanEval at Qiskit HumanEval Hard ay available sa mga website na ito: Qiskit HumanEval at Qiskit HumanEval. Maaari kang mag-ambag sa pagpapaunlad ng mga benchmark na ito sa GitHub repository.

Karagdagang impormasyon at mga citation​

Para matuto nang higit pa tungkol sa Qiskit Code Assistant, Qiskit HumanEval, o Qiskit HumanEval Hard benchmarks, at i-cite ang mga ito sa iyong mga siyentipikong publikasyon, suriin ang mga inirerekomendang citation na ito:

@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},
}

Mga susunod na hakbang​

Mga Rekomendasyon