Det dolda problemet med AI-kodning som ingen pratar om

AI-verktyg fixar LeetCode-uppgifter utan problem. De knäcker grafer, dynamisk programmering och intervjufrågor med stil. Men be dem optimera databassökningar med begränsade resurser, justera kernel-inställningar eller lösa logistikrutter med motstridiga mål – då hakar de upp sig.

Det här är inget slumpmässigt fel. Det handlar om träningsdata.

Forskare på Frontier Labs upptäckte bristen: webben svämmar över av slutna kodproblem – över 100 000 bara i tävlingsprogrammering. Men öppna optimeringsuppgifter av toppkvalitet? Få hundra stycken. Ett gigantiskt gap som gör att även de bästa AI-agenter kämpar med verkliga problem utan en enda "rätt" lösning.

Då kom FrontierSmith – ett system som fixar just den flaskhalsen.

Smart lösning: Förändra istället för att hitta på

Att få språkmodeller att klura ut nya öppna problem från scratch är dyrt och opålitligt. FrontierSmith gör tvärtom: ta de enkla, slutna problemen och mutera dem smart.

Tänk så här: Ett minimum spanning tree-problem har ett klart svar. Lägg till gränser för hur många kopplingar varje nod får – plötsligt blir det ett riktigt svårt optimeringsproblem. Inga perfekta svar längre, bara bättre eller sämre varianter.

Systemet använder tre typer av mutationer:

1. Byt ut målet
Från "hitta det optimala" till "gör ditt bästa inom tidsgränser". Ett exakt svar förvandlas till kontinuerlig optimering.

2. Skärp kraven
Lägg på verkliga begränsningar som gör perfekta lösningar omöjliga. Skala upp från litet till produktionsstorlek – nu räknas approximationer.

3. Lossa förutsättningarna
Ta bort antaganden som förenklade problemet. Gör parametrarna generella. Det som funkade på små toy-exempel kraschar på stora dataset.

Resultatet? Tusentals riktiga träningsproblem som lär agenter hantera avvägningar, iterera och förbättra stegvis – precis vad verklig ingenjörskonst kräver.

Filtreringen: Släng det tråkiga

Inte alla mutationer blir bra. Vissa är bara ytkosmetik. Andra låtsas vara öppna men är egentligen "kör algoritm X med nya siffror".

FrontierSmiths trick är idea divergence – ett mått på om lösare tänker olika.

Slutna problem har en dominerande strategi. Alla kodar samma algoritm lite annorlunda. Öppna problem är varierade: en använder branch-and-bound, en annan genetiska algoritmer, en tredje giriga heuristiker med lokal sökning. De scorar olika på samma tester.

Filtreringen går i två steg:

• Semantisk koll: En LLM-domare jämför strategierna från olika lösare.
• Beteendekoll: Jämför poängvektorer över testfall – om alla rankar likadant, är det samma grundtanke.

Låga divergence? Bort med dem. Överlevande är äkta optimeringsproblem.

Från idé till träningsmaskin

Efter filtrering bygger FrontierSmith körbara miljöer:

• Dynamiska testgeneratorer för oändliga varianter.
• Verifierare som bedömer kvalitet på skala, inte bara godkänd/underkänd.
• Säkra sandboxes redo för produktion.

Nu har du en skalbar pipeline. Från hundratals öppna problem till tusentals – eller tiotusentals – verkliga scenarier.

Varför det betyder något för dig som utvecklare eller startup

Bygger du AI-verktyg? Det här är guld värt.

Dagens agenter är stjärnor på tydliga uppgifter med klara mål. De svajar på verkliga ingenjörsproblem: konfigurera, optimera resurser, balansera krav, iterera mot "bra nog" under tidspress.

Agenter tränade med FrontierSmith får inte bara bättre benchmarks. De utvecklar nya tänksätt. De utforskar trade-offs, resonerar om approximationer och itererar smart – färdigheter du behöver i prod-miljö eller infrastrukturdesign.

För plattformar med AI-dev-tools öppnas dörrar. Generera data i skala istället för att jaga bristvara. Startups med AI-agenter kan ta sig an tuffare, realistiska utmaningar.

Den stora bilden

Det här är en del av AI-träningsrevolutionen. Vi slutar tro att människor måste kurera varje exempel. Istället genererar vi smart: omvandla massor av enkla problem till eftertraktad optimeringsdata.

Samma idé som syntetisk data och curriculum learning. På NameOcean satsar vi på AI-assisterade dev-verktyg just för det. Flaskhalsen är inte längre intelligens – det är nyttig träningsdata.

FrontierSmith löser inte allt, men täpper igen ett kritiskt hål. I AI-världens rasande tempo är det så man frigör nästa nivå av kapacitet.