Lewati ke konten utama

Qiskit Code Assistant

Qiskit Code Assistant bertujuan membuat komputasi kuantum lebih mudah diakses oleh pengguna Qiskit baru dan meningkatkan pengalaman coding bagi pengguna saat ini. Ini adalah asisten kode AI generatif yang didukung oleh watsonx. Asisten ini dilatih menggunakan jutaan token teks dari Qiskit SDK, bertahun-tahun contoh kode Qiskit, dan fitur-fitur IBM Quantum®. Qiskit Code Assistant bisa membantu alur kerja pengembangan kuantummu dengan menawarkan saran yang dihasilkan LLM berdasarkan model IBM Granite, yang mencakup fitur dan fungsionalitas terbaru dari IBM®.

Catatan
  • Ini adalah fitur eksperimental yang tersedia untuk pengguna IBM Quantum Premium Plan yang terdaftar di IBM Quantum Platform yang baru.
  • Qiskit Code Assistant dalam status rilis pratinjau dan dapat berubah sewaktu-waktu.
  • Kalau kamu punya masukan atau ingin menghubungi tim pengembang, gunakan saluran Qiskit Slack Workspace atau repositori GitHub publik terkait.

Fitur​

Fitur-fitur berikut tersedia dalam ekstensi Visual Studio Code (VS Code) dan editor yang kompatibel, serta JupyterLab:

  • Mempercepat pembuatan kode Qiskit dengan memanfaatkan AI generatif berdasarkan model yang dikhususkan untuk menghasilkan kode Qiskit.
  • Memungkinkan prompt abstrak dan spesifik untuk menghasilkan rekomendasi.
  • Menampilkan saran yang bisa kamu tinjau, terima, atau tolak.
  • Mendukung file kode Python dan Jupyter notebook.
  • Dilengkapi guardrail untuk menghindari menjawab pertanyaan yang berpotensi membahayakan pengguna, seperti ujaran kebencian.

Untuk petunjuk mengintegrasikan Qiskit Code Assistant langsung ke lingkungan pengembanganmu, ikuti instruksi di topik yang sesuai:

Large Language Model (LLM) di balik Qiskit Code Assistant​

Untuk memberikan saran kode, Qiskit Code Assistant menggunakan Large Language Model (LLM). Dalam hal ini, Qiskit Code Assistant saat ini mengandalkan model mistral-small-3.2-24b-qiskit, yang dibangun di atas model Mistral-Small-3.2-24B-Qiskit. Model mistral-small-3.2-24b-qiskit meningkatkan kemampuan pembuatan kode model Mistral-Small-3.2-24B-Instruct-2506 untuk Qiskit melalui pelatihan tambahan yang diperluas dan fine-tuning pada data Qiskit berkualitas tinggi, serta commit Python dan chat. Untuk informasi lebih lanjut tentang keluarga model Mistral AI, lihat dokumentasi Mistral AI. Untuk detail lebih lanjut tentang model .*-qiskit, lihat Qiskit Code Assistant: Training LLMs for generating Quantum Computing Code.

LLM yang kami khususkan untuk Qiskit juga tersedia sebagai model open-source. Lihat semua model yang tersedia di https://huggingface.co/Qiskit.

Benchmark Qiskit HumanEval dan Qiskit HumanEval Hard​

Untuk menguji mistral-small-3.2-24b-qiskit dan model lainnya, kami berkolaborasi dengan Qiskit Advocates dan para ahli untuk membuat benchmark berbasis eksekusi yang disebut Qiskit HumanEval (QHE) dan Qiskit HumanEval Hard (QHE Hard), lalu menjalankannya pada model-model tersebut. Benchmark ini mirip dengan HumanEval, mencakup berbagai masalah kode yang menantang untuk diselesaikan, semuanya berbasis library Qiskit resmi.

Benchmark ini terdiri dari sekitar 150 tes, masing-masing dibuat dari definisi fungsi, diikuti oleh docstring yang merinci tugas yang harus diselesaikan model. Setiap contoh juga mencakup solusi kanonik referensi, serta unit test, untuk mengevaluasi kebenaran solusi yang dihasilkan. Ada tiga tingkat kesulitan tes: dasar, menengah, dan sulit. Benchmark Qiskit HumanEval Hard adalah variasi dari Qiskit HumanEval, tetapi menghapus informasi terkait impor kode, sehingga LLM perlu mencari tahu impor metode atau kelas yang tepat. Perubahan ini membuat dataset jauh lebih menantang bagi LLM, menurut pengujian dan hasil awal kami.

Dataset untuk Qiskit HumanEval dan Qiskit HumanEval Hard tersedia di situs-situs ini: Qiskit HumanEval dan Qiskit HumanEval. Kamu bisa berkontribusi pada pengembangan benchmark ini di repositori GitHub.

Informasi lebih lanjut dan sitasi​

Untuk mempelajari lebih lanjut tentang Qiskit Code Assistant, Qiskit HumanEval, atau benchmark Qiskit HumanEval Hard, dan mengutipnya dalam publikasi ilmiahmu, tinjau sitasi yang direkomendasikan berikut:

@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},
}

Langkah selanjutnya​

Rekomendasi
Source: IBM Quantum docs — updated 27 Apr 2026
English version on doQumentation — updated 7 Mei 2026
This translation based on the English version of 11 Mar 2026