Scott H. Young explique pourquoi étudier des solutions détaillées peut être plus efficace que résoudre seul des problèmes lorsqu’on débute. Les recherches de John Sweller montrent que la recherche laborieuse d’une solution surcharge la mémoire de travail et limite la compréhension des principes. Avec l’expertise, cet avantage s’inverse : la résolution autonome et le rappel des connaissances deviennent plus bénéfiques. L’auteur recommande une progression combinant exemples corrigés, explication personnelle des étapes, suppression graduelle des aides et exercices indépendants.
Ce billet de blog explore les limites des grands modèles de langage (LLM) en matière de génération de code correct, en se concentrant sur un exemple concret : une réécriture en Rust d'une base de données SQLite générée par un LLM. Bien que le code compilé semble fonctionner et passe les tests, il s'avère être environ 20 000 fois plus lent que l'original pour des opérations de base. L'auteur souligne que les LLM optimisent pour la plausibilité plutôt que pour la correction, et souligne l'importance de définir des critères d'acceptation clairs avant de générer du code. L'article inclut des benchmarks détaillés et une analyse du code pour illustrer ces problèmes, tout en reconnaissant les avantages des LLM pour accélérer le développement d'idées.