github copilot එකේ chatgpt, claude වලට වඩා තියෙන වෙනස මොකක්ද

[madhawavish]

database eka wenas da arawata wada.. copilot use karanne github eke thiyena repository wala data da..wena data use karan nadda... (chatgpt eketh github code use karanawa neda code generate karanda..).. anika mewagen bugs aduma mokeda

 

[topkollek]

Here are the key advantages of GitHub Copilot over ChatGPT, particularly in the context of software development:

1. Context-Aware Code Suggestions:
   • Copilot: It analyzes the entire codebase in your current project, understanding the context much more deeply. This allows for suggestions that are highly relevant to the ongoing work, including variable names, function calls, and even understanding the overall project architecture.
   • ChatGPT: While it can generate code, it does not have real-time access to your project's context unless you provide detailed descriptions in the query, which can be less efficient and less accurate for complex projects.
2. Integration with Development Environments:
   • Copilot: Seamlessly integrates into IDEs like Visual Studio Code, Visual Studio, Neovim, and JetBrains suite (like IntelliJ IDEA, PyCharm). This means developers can receive help without switching tools, directly in their coding environment.
   • ChatGPT: Requires interaction through a web interface or API, which means developers must copy-paste or manually transfer code snippets back and forth, breaking the flow of development.
3. Real-Time Code Completion:
   • Copilot: Provides real-time suggestions as you type, which can significantly speed up coding by completing lines, blocks, or even entire functions based on the current context.
   • ChatGPT: Offers code generation but not in real-time within the coding environment. Users must explicitly ask for code, which then needs to be manually integrated into the project.
4. Specialized for Coding:
   • Copilot: Trained predominantly on code from GitHub, giving it an edge in understanding coding patterns, syntax, and best practices across a vast array of programming languages and frameworks.
   • ChatGPT: While capable of coding, it's a general-purpose AI model trained on a wider variety of text, meaning its coding suggestions might not be as refined or contextually accurate for specific coding tasks.
5. Learning from User's Coding Style:
   • Copilot: Over time, it learns from your coding style and the projects you work on, tailoring its suggestions to match your preferences and project needs.
   • ChatGPT: Does not have this continuous learning capability within a single user's coding environment.
6. Security and Privacy Features:
   • Copilot: Offers options like filter mode to block suggestions based on certain criteria (like license type or content type), and it's designed with developer privacy in mind by not sending raw code to the cloud unless explicitly configured to do so.
   • ChatGPT: General user privacy concerns apply, and code shared with the model might be used for further training unless specific privacy measures are in place.
7. Direct Code Refactoring and Commenting:
   • Copilot: Can suggest refactoring ideas and automatically generate or suggest improvements for code comments based on the existing code structure.
   • ChatGPT: Can be prompted to suggest refactorings or write comments, but this is less integrated and more manual.
8. Support for Collaborative Development:
   • Copilot: With GitHub Copilot X, it extends to features like helping with pull requests or code reviews, enhancing team productivity in collaborative settings.
   • ChatGPT: Does not natively support such collaborative coding environments or tools.

In essence, GitHub Copilot provides a more developer-centric experience with its specialized coding assistance, real-time integration, and context-aware capabilities, making it a more advantageous tool over ChatGPT for coding tasks within a development environment.

 

[madhawavish]

1. Specialized for Coding:
   • Copilot: Trained predominantly on code from GitHub, giving it an edge in understanding coding patterns, syntax, and best practices across a vast array of programming languages and frameworks.
   • ChatGPT: While it can generate code, it does not have real-time access to your project's context unless you provide detailed descriptions in the query, which can be less efficient and less accurate for complex projects.

chatgpt ekath github data walin train karala thiyenawa wage mathakayak thiyenawa..ehema naluda

 

[topkollek]

chatgpt ekath github data walin train karala thiyenawa wage mathakayak thiyenawa..ehema naluda

ඕක පටලවල තේරුම් ගන්න එපා.

CoPilot හදල තියෙන්නෙ එක වැඩක් කරන්න

ඔය ප්‍රශ්න කෙලින්ම AI එකකින් ඇහුව නම් හරි. මම මේ දාන්නෙ grok දෙන උත්තර

There's a common misunderstanding here:

• GPT: The broader GPT models, including those underpinning ChatGPT, are not solely trained on GitHub data. They are trained on a vast, diverse corpus of text from the internet, books, articles, and various other text sources. While some of this data might include code or discussions about code, the primary focus is not on code but on general language understanding and generation.
• Codex: This model, however, was specifically trained on code from GitHub repositories. The training data for Codex includes a significant amount of public code from GitHub, which spans multiple programming languages, projects, and coding styles. This makes Codex adept at understanding and generating code.

Here are some key points to clarify:

• Training Data Diversity:
  • GPT: Its training dataset is incredibly diverse, including but not limited to:
    • Web pages
    • Books
    • Articles
    • Wikipedia entries
    • Social media posts
    • Public domain works
  • Codex: Focused primarily on:
    • Code from GitHub repositories
    • Possibly associated documentation or comments with this code
• Purpose of Training:
  • GPT aims for a broad understanding of human language, making it versatile for tasks like answering questions, generating prose, or even simple coding tasks if prompted.
  • Codex is designed with a narrow but deep focus on programming languages, aiming to understand coding patterns, syntax, and semantics across different languages.
• Use of GitHub Data:
  • While both might have some overlap in using GitHub data (especially if part of GPT's corpus includes code-related discussions or snippets from GitHub), the scale and purpose differ:
    • GPT might use GitHub data as part of its broader dataset but not as the primary source.
    • Codex heavily relies on GitHub code for its training, making it specialized for coding tasks.
• Model Performance:
  • This specialization means Codex performs much better at code-related tasks than a general-purpose model like GPT. However, GPT can still generate code, especially if fine-tuned or prompted correctly, but won't match Codex's capabilities in this domain due to the difference in training focus.

In essence, while there's an overlap in the use of GitHub as a data source, the scope and intent behind how this data is utilized for training these models are quite distinct, resulting in different capabilities and applications.

 

[IndrajithGamage]

database eka wenas da arawata wada.. copilot use karanne github eke thiyena repository wala data da..wena data use karan nadda... (chatgpt eketh github code use karanawa neda code generate karanda..).. anika mewagen bugs aduma mokeda

Copilot එක coding වලට specialized නේද? ඔව් repo වලින් train කරලා තියෙනවා කියල කියන්නෙ. වෙන data ත් අනිවා use කරනවා අ‍ැති, විශේෂයෙන්ම stack overflow එක එහෙම.

ChatGPT එක වගේ බුල කෙළිනවා සෑහෙන්න අඩුයි මම හිතන්නෙ Copilot, මොකද එක වැඩකට focus කරන නිසා. Claude එක වුණත් අ‍ැත්තටම මම කරන්න හදපු coding වැඩවලදි නම් ChatGPT එකට වඩා bugs අඩුවෙන් හැම පැත්තම බලල codes ලියල දුන්නා.

හැබැයි මම හිතන විදිහට general requirement එකක් කිව්වාම (මට මෙන්න මේ වැඩේ කරන්න full code එකක් දීපන් වගේ), විශේෂයෙන්ම implement කරන්න ඕන විදිහ හරියට specify නොකර හොඳ එකක් තෝරලා කරපන් කියල වගේ ඉල්ලුවාම ChatGPT, Claude වගේ GPT වර්ගයෙ AI වැඩේ හොඳට තේරුම් ගන්න අතින් ඉහළ අ‍ැති.

හොඳම දේ වචනෙ තේරුමම ගනින්කො.

උඹ plane එකට නැගලා මාව ඩුබායි අරන් පලයන් කිව්වාම GPT එකකට සම්පූර්ණ Route planning පැත්ත කරලා, plane එක ගෙනියන්න ක්‍රියාත්මක කරන්න ඕන general controls ටික list කරන වැඩේ සාමාන්‍යයෙන් හොඳට කරන්න පුළුවන්. හැබැයි උට Specialized task, විශේෂයෙන්ම එකට එකට සම්බන්ධ වෙලා යන දේවල් ගොඩක් කරන්න ගියොත් බාගයක් දුර යද්දි මුල කෑලි අමතක වෙන ප්‍රශ්නෙ එන්න පුළුවන්. උදාහරණයක් විදිහට සම්පූර්ණ code එකේ පොඩි කෑල්ලක් මේ විදිහට වෙනස් කරපන් කියලා, ක්‍රම කීපයක් වගේ ට්‍රයි කරලා හොඳ එක තෝරගෙන, අ‍ා දැන් සම්පූර්ණ code එක දීපන් කිව්වොත් step කීපයකට කලින් කියල තිබුණ instructions අමතක කරලා අදාළ නැති කෑලි දාල හදල දෙන්න යම් ඉඩක් තියෙනවා.

හැබැයි Copilot එක නිකන් සහායක pilot කෙනෙක් වගේ. උඹ coding දන්නවා කියල හිතාගෙන උඹට පැත්තෙන් සහය දෙන එකයි එ‍්කෙදි වැඩිපුරම වෙන්නෙ. උඹ plane එක අරන් යනවා නම් අවශ්‍ය අමතර detail දීලා, බාහිර task complete කරලා සහය දෙන එක එ‍් වගේ specialized AI එකක් වඩා හොඳට කරනවා. අර මුල අමතක වෙන ප්‍රශ්න, උඹ දෙයක් කිව්වාම එ‍්කෙ language nuances බල බල විකාර නැටිලි නෑ. සම්පූර්ණ උඹෙ coding වැඩේට අවධානය දීලා වැඩේ කරනවා. Serialized instructions කොච්චර දුන්නත් කෑලි අමතක වෙන් නෑ. කරගෙන යන වැඩේ කියන පිළිවෙළට කරනවා විතරක් නෙවෙයි, හරි ගිය නොගිය දේවල් ගාණට handle කරනවා.

මම හිතන්නෙ මොකක් හරි AI එකකට දාල අ‍ාපු උත්තරයක් Copy paste කරාට වඩා මෙහෙම කිව්වාම උඹට තේරෙන්න අ‍ැති.

 

[madhawavish]

Copilot එක coding වලට specialized නේද? ඔව් repo වලින් train කරලා තියෙනවා කියල කියන්නෙ. වෙන data ත් අනිවා use කරනවා අ‍ැති, විශේෂයෙන්ම stack overflow එක එහෙම.

ChatGPT එක වගේ බුල කෙළිනවා සෑහෙන්න අඩුයි මම හිතන්නෙ Copilot, මොකද එක වැඩකට focus කරන නිසා. Claude එක වුණත් අ‍ැත්තටම මම කරන්න හදපු coding වැඩවලදි නම් ChatGPT එකට වඩා bugs අඩුවෙන් හැම පැත්තම බලල codes ලියල දුන්නා.

හැබැයි මම හිතන විදිහට general requirement එකක් කිව්වාම (මට මෙන්න මේ වැඩේ කරන්න full code එකක් දීපන් වගේ), විශේෂයෙන්ම implement කරන්න ඕන විදිහ හරියට specify නොකර හොඳ එකක් තෝරලා කරපන් කියල වගේ ඉල්ලුවාම ChatGPT, Claude වගේ GPT වර්ගයෙ AI වැඩේ හොඳට තේරුම් ගන්න අතින් ඉහළ අ‍ැති.

හොඳම දේ වචනෙ තේරුමම ගනින්කො.

උඹ plane එකට නැගලා මාව ඩුබායි අරන් පලයන් කිව්වාම GPT එකකට සම්පූර්ණ Route planning පැත්ත කරලා, plane එක ගෙනියන්න ක්‍රියාත්මක කරන්න ඕන general controls ටික list කරන වැඩේ සාමාන්‍යයෙන් හොඳට කරන්න පුළුවන්. හැබැයි උට Specialized task, විශේෂයෙන්ම එකට එකට සම්බන්ධ වෙලා යන දේවල් ගොඩක් කරන්න ගියොත් බාගයක් දුර යද්දි මුල කෑලි අමතක වෙන ප්‍රශ්නෙ එන්න පුළුවන්. උදාහරණයක් විදිහට සම්පූර්ණ code එකේ පොඩි කෑල්ලක් මේ විදිහට වෙනස් කරපන් කියලා, ක්‍රම කීපයක් වගේ ට්‍රයි කරලා හොඳ එක තෝරගෙන, අ‍ා දැන් සම්පූර්ණ code එක දීපන් කිව්වොත් step කීපයකට කලින් කියල තිබුණ instructions අමතක කරලා අදාළ නැති කෑලි දාල හදල දෙන්න යම් ඉඩක් තියෙනවා.

හැබැයි Copilot එක නිකන් සහායක pilot කෙනෙක් වගේ. උඹ coding දන්නවා කියල හිතාගෙන උඹට පැත්තෙන් සහය දෙන එකයි එ‍්කෙදි වැඩිපුරම වෙන්නෙ. උඹ plane එක අරන් යනවා නම් අවශ්‍ය අමතර detail දීලා, බාහිර task complete කරලා සහය දෙන එක එ‍් වගේ specialized AI එකක් වඩා හොඳට කරනවා. අර මුල අමතක වෙන ප්‍රශ්න, උඹ දෙයක් කිව්වාම එ‍්කෙ language nuances බල බල විකාර නැටිලි නෑ. සම්පූර්ණ උඹෙ coding වැඩේට අවධානය දීලා වැඩේ කරනවා. Serialized instructions කොච්චර දුන්නත් කෑලි අමතක වෙන් නෑ. කරගෙන යන වැඩේ කියන පිළිවෙළට කරනවා විතරක් නෙවෙයි, හරි ගිය නොගිය දේවල් ගාණට handle කරනවා.

මම හිතන්නෙ මොකක් හරි AI එකකට දාල අ‍ාපු උත්තරයක් Copy paste කරාට වඩා මෙහෙම කිව්වාම උඹට තේරෙන්න අ‍ැති.

ela ela, man dan chatgpt ekenuth ahala baluwa .. mehema uttharayak dunna

Comparison: Largest Amount of GitHub Data​

• GitHub Copilot has been trained on the largest and most focused amount of GitHub data compared to ChatGPT.

ChatGPT includes GitHub data, but it is diluted by the broader scope of its training dataset, which spans across many domains and disciplines.

 

[devops]

Bump

 

[navodwickra]

මම use කරනවා මචන්, අපේ company එකෙන් දුන්න. මම නම් ගොඩක්ම use කරන්නේ unit test ටික ලියන්න