إن نموذج Llama-3.1 الجديد من Meta AI هو لاعب رئيسي في عالم نماذج اللغة الكبيرة المفتوحة المصدر. مع مقاييس أداء مвпечатляющة تضاهي النماذج المغلقة المصدر، يمكن أن يكون هذا النموذج البالغ 405 مليار معلمة شريكك الشخصي في برمجة الرمز.

من خلال دمج Llama-3.1 مع أداة Continued Dev القوية، يمكنك فتح مستوى جديد من إنتاجية البرمجة وكفاءتها. تستفيد Continued Dev من النماذج المتقدمة لتوفير اقتراحات في الوقت الفعلي، والكشف عن الأخطاء، وتقديم نصائح للتحسين، كلها بدعم من نموذج Llama-3.1.

للبدء، ستحتاج إلى إعداد المتطلبات المسبقة، بما في ذلك تثبيت Visual Studio Code وامتداد Continued Dev. بعد ذلك، يمكنك اختيار استخدام نموذج 405 مليار معلمة من خلال Together AI API أو الاختيار بين نماذج 8 مليار أو 70 مليار معلمة المثبتة محليًا.

بمجرد إعداد التكامل، يمكنك البدء في الدردشة مع نموذج Llama-3.1 داخل Continued Dev، واستغلال قدراته البرمجية المвпечатляющة. كدليل، قمنا بتوليد لعبة ثعبان أساسية، مما يوضح قدرة النموذج على إنشاء رمز وظيفي بسرعة وكفاءة.

مع Llama-3.1 كشريك برمجة شخصي لك، يمكنك رفع مهاراتك البرمجية، وتحسين جودة الرمز، وزيادة الإنتاجية. استكشف الإمكانات الكاملة لـ Continued Dev و Llama-3.1 من خلال التحقق من الموارد الإضافية الواردة في الوصف.

لتكامل نموذج Llama-3.1 مع ContinueDev، اتبع هذه الخطوات:

1. قم بتثبيت Visual Studio Code وامتداد ContinueDev.
2. قرر أي نموذج Llama-3.1 تريد استخدامه:
   • نموذج 405 مليار معلمة: قم بالتكامل مع Together AI API.
   • نموذج 70 مليار أو 8 مليار معلمة: قم بالتثبيت محليًا باستخدام مكتبة Hugging Face Transformers.
3. إذا كنت تستخدم نموذج 405 مليار معلمة:
   • قم بإنشاء حساب Together AI والحصول على مفتاح API.
   • في VS Code، قم بتثبيت امتداد Together AI وأدخل مفتاح API.
   • حدد "Llama 3 Model" وقم بتكوين العنوان وإعدادات النموذج.
4. إذا كنت تستخدم النماذج المحلية:
   • قم بتثبيت مكتبة Hugging Face Transformers وتنزيل نموذج Llama-3.1 المطلوب.
   • في امتداد ContinueDev، حدد نموذج Llama-3.1 المثبت.
5. ابدأ في استخدام نموذج Llama-3.1 داخل ContinueDev للحصول على المساعدة البرمجية في الوقت الفعلي، والكشف عن الأخطاء، ونصائح التحسين.

من خلال دمج النموذج القوي Llama-3.1 مع ContinueDev، يمكنك تعزيز إنتاجيتك البرمجية وإنشاء تطبيقات بسهولة، حتى دون الحاجة إلى وحدات معالجة الرسومات.

لاستخدام نموذج Llama-3.1 القوي، لديك خيارين:

1. تشغيل Llama-3.1 محليًا:

   • قم بتثبيت نموذج Llama-3.1 محليًا باستخدام الأوامر المقدمة لنماذج 8 مليار أو 70 مليار معلمة.
   • قم بإعداد تكامل Llama-3.1 داخل امتداد Codex في Visual Studio Code.
   • ابدأ في الدردشة مع نموذج Llama-3.1 المثبت محليًا من خلال امتداد Codex.

2. الاستفادة من قوة Together AI:

   • قم بإنشاء حساب مع Together AI للوصول إلى طبقتهم المجانية والحصول على مفتاح API.
   • قم بتكامل مفتاح Together AI API داخل امتداد Codex في Visual Studio Code.
   • حدد نموذج "Meta Llama 3.1 45 Billion Instruct Turbo" للاستفادة من نموذج Llama-3.1 البالغ 405 مليار معلمة.
   • اختبر قدرات نموذج Llama-3.1 من خلال توليد لعبة ثعبان بسيطة في غضون ثوانٍ.

بغض النظر عن النهج، يمكنك الآن استخدام نموذج Llama-3.1 المвпечатляющ كشريك برمجة شخصي لك، والاستفادة من قدراته البرمجية المتقدمة والتكامل السلس مع Codex و Visual Studio Code.

لاختبار تكامل نموذج Llama-3.1 مع أداة Continued Dev، سنقوم بإنشاء لعبة ثعبان بسيطة باستخدام الرمز المولد من قبل النموذج.

أولاً، سنقوم بإنشاء ملف Python جديد في Visual Studio Code. ثم سنقوم بنسخ ولصق الرمز التالي في الملف:

import curses
from curses import KEY_RIGHT, KEY_LEFT, KEY_UP, KEY_DOWN
from random import randint

# قم بإعداد نافذة اللعبة
screen = curses.initscr()
curses.curs_set(0)
screen_height, screen_width = screen.getmaxyx()
window = curses.newwin(screen_height, screen_width, 0, 0)
window.keypad(1)
window.timeout(100)

# قم بتهيئة الثعبان والطعام
snake = [(4, 4), (4, 3), (4, 2)]
food = (randint(1, screen_height - 2), randint(1, screen_width - 2))

# حلقة اللعبة
while True:
    next_key = window.getch()
    key = next_key if next_key != -1 else KEY_DOWN

    if key == KEY_DOWN:
        new_head = (snake[0][0] + 1, snake[0][1])
    if key == KEY_UP:
        new_head = (snake[0][0] - 1, snake[0][1])
    if key == KEY_LEFT:
        new_head = (snake[0][0], snake[0][1] - 1)
    if key == KEY_RIGHT:
        new_head = (snake[0][0], snake[0][1] + 1)

    snake.insert(0, new_head)

    if new_head == food:
        food = (randint(1, screen_height - 2), randint(1, screen_width - 2))
    else:
        snake.pop()

    window.clear()
    window.border(0)
    for segment in snake:
        window.addch(segment[0], segment[1], '#')
    window.addch(food[0], food[1], '@')
    window.refresh()

قم بحفظ الملف على سطح المكتب الخاص بك، ثم قم بتشغيل الرمز. يجب أن ترى لعبة ثعبان بسيطة تظهر في الطرفية Visual Studio Code.

هذا يوضح قدرة نموذج Llama-3.1 على توليد رمز وظيفي، والذي يمكن بعد ذلك دمجه مع أداة Continued Dev لتعزيز إنتاجيتك البرمجية وكفاءتها.

إن تكامل نموذج Llama 3.1 القوي، وتحديدًا الإصدار البالغ 405 مليار معلمة، مع أداة Continued Dev المدعومة بالذكاء الاصطناعي هو لاعب رئيسي للمطورين. يمكن الآن دمج هذا النموذج اللغوي الكبير المفتوح المصدر، والذي يتفوق على العديد من النماذج المغلقة المصدر، بسلاسة في سير عملك البرمجي، مما يوفر اقتراحات في الوقت الفعلي، والكشف عن الأخطاء، ونصائح التحسين.

من خلال الاستفادة من Together AI API، يمكنك الوصول إلى هذا النموذج المвпечатляющ دون الحاجة إلى إعداد محلي مكثف للموارد. يضمن الدليل المفصل المقدم في هذا الفيديو عملية تكامل سلسة، مما يتيح لك الاستفادة من الإمكانات الكاملة لهذه التقنية المتطورة.

سواء كنت مطورًا محنكًا أو في بداية رحلتك البرمجية، يمكن أن يعزز هذا التكامل إنتاجيتك بشكل كبير وجودة الرمز. إن القدرة على توليد لعبة ثعبان وظيفية في غضون ثوانٍ هي شهادة على قوة هذا المساعد البرمجي المدفوع بالذكاء الاصطناعي.

لمزيد من استكشاف قدرات Continued Dev، تأكد من التحقق من موارد الفيديو الإضافية المذكورة في النص. تعمق في الميزات واكتشف كيف يمكنك تحسين سير عملك البرمجي باستخدام هذه الأداة القوية.

تذكر، إن عالم الذكاء الاصطناعي في تطور سريع، والبقاء على اطلاع على أحدث التطورات أمر بالغ الأهمية. اتبع المؤلف على Patreon و Twitter لضمان عدم تفويتك أي تحديثات مثيرة في مجال الذكاء الاصطناعي.