នៅលើប្រព័ន្ធប្រតិបត្តិការ Windows របស់ខ្ញុំ [ លោក ], ខ្ញុំបានបង្ហាញថា LLMs អាចជោគជ័យដោះស្រាយបញ្ហា Leetcode ជាច្រើន។ ទោះជាយ៉ាងណាក៏ដោយពួកគេគឺល្អបំផុតក្នុងការដោះស្រាយបញ្ហាដែលមានប្រសិទ្ធភាពជាងបញ្ហាថ្មី។ នេះអាចត្រូវបានបង្ហាញដោយទិន្នន័យបណ្តុះបណ្តាលដែលមានប្រសិទ្ធិភាព - ការដោះស្រាយបញ្ហាដែលមានប្រសិទ្ធិភាពអាចត្រូវបានរួមបញ្ចូលនៅក្នុងទិន្នន័យបណ្តុះបណ្តាល (វាជាផ្នែកមួយត្រូវបានបញ្ជាក់ដោយការនិយាយចុងក្រោយរបស់ OpenAI អំពី SWE Bench ។ ] ។ 1 2 3 1 2 3 SWE Bench និង SWE Bench Verified បានប្រើសម្រាប់ Python ។ ខ្ញុំក៏ប្រើ Python ទេប៉ុន្តែបន្ថែមទៀត Go, C#, JavaScript, Bash និងអ្នកផ្សេងទៀតនៅពេលវេលា។ ដូច្នេះខ្ញុំគួរឱ្យចាប់អារម្មណ៍ដោយប្រសិនបើផលិតផល LLM មានលក្ខណៈផ្សេងគ្នានៃប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទប្រភេទ នេះបានបង្ហាញពីការស្រាវជ្រាវពី វាត្រូវបានកាត់បន្ថយប្រសិទ្ធភាពប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាត្រូវបានកាត់បន្ថយប្រសិនបើវាត្រូវបានកាត់បន្ថយប្រសិនបើវាត្រូវបានកាត់បន្ថយប្រសិនបើវាត្រូវបានកាត់បន្ថយប្រសិនបើវាត្រូវបានកាត់បន្ថយប្រសិនបើវាត្រូវបានកាត់បន្ថយប្រសិនបើវាត្រូវបានកាត់បន្ថយប្រសិនបើវាត្រូវបានកាត់បន្ថយប្រសិនបើវាត្រូវបានកាត់បន្ថយប្រសិនបើវាត្រូវបានកាត់បន្ថយប្រសិនបើវាត្រូវបានកាត់បន្ថយប្រសិនបើវាត្រូវបានកាត់បន្ថយប្រ SWE-bench អាសយដ្ឋាន SWE-bench អាសយដ្ឋាន គោលការណ៍ Benchmark ដូចជានៅក្នុងគោលបំណងមុនរបស់ខ្ញុំ, ខ្ញុំបានប្រើ Leetcode អេឡិចត្រូនិដើម្បីត្រួតពិនិត្យសមត្ថភាព LLM នៅលើដំណោះស្រាយបញ្ហាអាសអាឡូឌី។ ប៉ុន្តែឥឡូវនេះខ្ញុំបានធ្វើការសាកល្បងជាមួយប្រភេទផ្សេងគ្នានៃការផ្សេងគ្នានៃការពេញនិយម។ ភាសា Leetcode មិនផ្គត់ផ្គង់ទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យ។ Language Published solutions, % C++ 26.21% Java 25.60% Python3 17.81% Python 7.99% JavaScript 6.68% C 6.45% Go 2.17% C# 2.12% TypeScript 1.44% Swift 0.86% Kotlin 0.74% Rust 0.65% Ruby 0.36% PHP 0.43% Dart 0.25% Scala 0.16% Elixir 0.05% Racket 0.03% មតិ C++ លទ្ធផល 21% Java 25.60% Python3 17.81% Python នេះ 7,99% នៃការ សៀវភៅ 668% C 6.45% នៃ អាន 2.17% នៃ C # 2.12 លទ្ធផល សៀវភៅ លទ្ធផល 1.44% ស្បែក លទ្ធផល 84% សត្វ 0,74% នៃ Rust 0.65% ដំបូង លទ្ធផល 0.6% ហ្គេម PHP លទ្ធផល 0.4% សត្វ 0.25% នៃ កម្រិត លទ្ធផល 0.16% Elixir 0.05% កញ្ចក់ 0 0 0 0 0 ខ្ញុំនឹងជ្រើសរើសរើសរើសរើសរើសរើសរើសរើសរើសរើសរើសគឺ Java និង Python3 ដែលជាពីរដែលមានប្រជាប្រិយភាពបំផុត។ Leetcode អនុញ្ញាតឱ្យបែកចាយរវាង Python 3 និង 2 ។ មានការផ្សេងគ្នានៅក្នុងរវាងពួកគេនិងដំណោះស្រាយសម្រាប់ដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះស្រាយដំណោះ លក្ខណៈពិសេសនៃការប្រើប្រាស់ Leetcode ទាំងបីនេះគឺ ទោះជាយ៉ាងណាក៏ដោយវាមិនមែនជាការសមរម្យ។ លក្ខណៈពិសេស Index លក្ខណៈពិសេស Index Language TIOBE Ratings, % Python 21.8 Java 8.12 Rust 1.32 Elixir 0.19 Python នេះ 21.8 ប្រព័ន្ធ Java 8.12 ស្បែក 1.32 អេឡិចត្រូន 0.19 លើសពីនេះទៀតខ្ញុំបានពិនិត្យឡើងវិញចំនួននៃ repo GitHub public សម្រាប់ការទាំងបីនេះ: Language GitHub Repos, Millions Java 20.20 Python 26.50 Rust 1.00 Elixir 0.12 ប្រព័ន្ធ Java 20.20 Python នេះ 26.50 ស្បែក 1.00 អេឡិចត្រូន 0.12 ក្នុងនាមទាំង Java និង Python3 គឺជាភាសាដំណើរការទូទៅបំផុតដែលមានគម្រោងសាធារណៈជាច្រើននិងខ្ញុំគិតថា LLMs នឹងដំណើរការពួកគេយ៉ាងល្អណាស់។ Elixir គឺនៅលើផ្នែកខាងលិចនៃកម្រិតនេះ, ជាមួយនឹងការបញ្ជាទំហំទូលាយដែលមានកូដទាបជាងនេះ, ដូច្នេះសមត្ថភាពនៃ LLMs អាចកាត់បន្ថយជាមួយនឹងវា។ Rust គឺជាផ្នែកមួយនៅក្នុងមជ្ឈមណ្ឌល - ជាការពេញនិយមយ៉ាងច្បាស់, ប៉ុន្តែ LLMs អាចដំណើរការវាយ៉ាងល្អទេ? គោលបំណង Set ខ្ញុំបានជ្រើសរើសបញ្ហា 100 ដែលបានបោះពុម្ពរវាងខែវិច្ឆិកា 2025 និងខែវិច្ឆិកា 2026 ។ Easy Medium Hard Total 15 59 26 100 15 59 26 100 គោលបំណងនេះគឺដើម្បីទទួលបានបញ្ហានៅពេលវេលាដែលអាច "មិនបានមើលឃើញ" ដោយ LLMs ។ វាត្រូវបានដឹងថាតើដំណោះស្រាយសម្រាប់បញ្ហានៅពេលវេលាដែលមានល្បឿនលឿននិងជាពិសេសបញ្ហានៅពេលវេលាដែលមានប្រជាប្រិយភាពបានចូលទៅក្នុងការបណ្តុះបណ្តាលរបស់ម៉ូដែល។ ម៉ូដែល ម៉ូដែលដែលប្រើនៅក្នុងគោលបំណងនេះត្រូវបានគេស្គាល់នៅក្នុងវេទិកាខាងក្រោមជាមួយនឹងគោលបំណងដែលមិនមានគោលបំណងគោលបំណងទាំងអស់ដែលបានបញ្ជាក់។ ថ្ងៃការចេញផ្សាយនិងការកាត់បន្ថយការដឹងត្រូវបានទទួលបានពីឯកសារផ្លូវការរបស់ក្រុមហ៊ុនផ្គត់ផ្គង់និងត្រូវបានផ្តល់ជូនសម្រាប់ពិនិត្យឡើងវិញ។ Vendor Model Release date Knowledge cutoff date "Reasoning" Parameters Anthropic claude-sonnet-4-5-20250929 Sep 2025 Jul 2025 No temperature = 0.0 max_tokens = 4096 Google gemini-3-flash-preview Dec 2025 unknown Yes temperature = 0.0 gemini-2.5-flash Apr 2025 unknown Yes temperature = 0.0 xAI grok-code-fast-1-0825 Aug 2025 unknown Yes seed = 42 OpenAI gpt-5-mini Aug 2025 May 2024 Yes seed = 42 Anthropic អេឡិចត្រូនិ 4-5-20250929 សីហា 2025 មិថុនា 2025 មិន សីតុណ្ហភាព = 0.0 អតិបរមា = 4096 Google ទាញយក Gemini-3-Flash Preview ឆ្នាំ 2025 មិនស្គាល់ ខ្ញុំមាន សីតុណ្ហភាព = 0.0 ទាញយក Gemini 2.5 Flash សីហា 2025 មិនស្គាល់ ខ្ញុំមាន សីតុណ្ហភាព = 0.0 xAI កុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រ ខែ មីនា 2025 មិនស្គាល់ ខ្ញុំមាន សត្វ = 42 OpenAI កុំព្យូទ័រ GPS-5 Mini ខែ មីនា 2025 ខែមិថុនា 2024 ខ្ញុំមាន សត្វ = 42 ម៉ូដែលទាំងអស់ប៉ុណ្ណោះប៉ុណ្ណោះ Gemini 3 Flash (Preview) ត្រូវបានចេញផ្សាយមុនពេលបញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាសម្រាប់បញ្ហាស។ គោលបំណងនៃគោលបំណងនេះត្រូវបានគោលបំណងដើម្បីធ្វើឱ្យប្រសើរឡើងនិងអាចបង្ហាញបានដូចជាអាចធ្វើបាន។ ដូច្នេះគោលបំណងដូចជា "សីតុណ្ហភាព" ឬ "សម្គាល់" ត្រូវបានប្រើ។ ទោះបីជាយ៉ាងណាក៏ដោយគ្មានម៉ូដែលដែលបានធ្វើតេស្តគោលបំណងដើម្បីធានាផលិតផលដែលអាចបង្ហាញបានយ៉ាងពេញលេញ។ នេះគួរតែត្រូវបានគួរឱ្យចាប់អារម្មណ៍នៅពេលដែលការបង្ហាញផលិតផលនេះ។ ម៉ូដែលទាំងអស់គាំទ្រការ "ការគិត" ឬ "ការគិត" ដោយគិតថ្លៃប៉ុណ្ណោះប៉ុណ្ណោះ Claude Sonnet 4.5. ឧបករណ៍ម៉ូដែលផ្សេងទៀត (ឬ "ឧបករណ៍") ដូចជាការស្វែងរកបណ្តាញអ៊ីនធឺណិតមិនត្រូវបានអនុវត្តប៉ុណ្ណោះប៉ុណ្ណោះប៉ុណ្ណោះ។ លទ្ធផល ប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហ Model python3 java 𝝙 python3 rust 𝝙 python3 elixir 𝝙 python3 claude-sonnet-4-5-20250929 50% 52% +2 51% +1 35% -15 gemini-2.5-flash 82% 82% +0 77% -5 39% -43 gemini-3-flash-preview 84% 93% +9 78% -6 83% -1 gpt-5-mini 93% 94% +1 80% -13 63% -30 grok-code-fast-1-0825 73% 65% -8 65% -8 30% -43 claude-sonnet-4-5-20250929 50 លាន 52% ។ +2 +2 51% បាន +1 +1 35% ។ -15 -15 gemini-2.5-flash 82% នៃ 82% នៃ +0 +0 77% ។ -5 -5 39% នៃ -43 -43 gemini-3-flash-preview 84% នៃ 93% នៃ +9 +9 78% នៃ -6 -6 83% នៃ -1 -1 gpt-5-mini 93% នៃ 94% បាន +1 +1 80 លាន -13 -13 63% នៃ -30 -30 grok-code-fast-1-0825 73% នៃ 65% នៃ -8 -8 65% នៃ -8 -8 30 លាន -43 លទ្ធផលបង្ហាញពីការកាត់បន្ថយយ៉ាងច្បាស់សម្រាប់ Elixir នៅលើទូទាំងម៉ូដែលជាច្រើន។ ប៉ុន្តែការផ្សេងគ្នានេះមានប្រសិទ្ធិភាពប្រសិនបើមានប្រសិនបើមានប្រសិនបើ? ដើម្បីត្រួតពិនិត្យប្រសិនបើការខុសគ្នានៃតម្រូវការដោះស្រាយរវាងភាសាគឺមានប្រសិទ្ធភាពប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិនបើវាជាប្រសិន ការទទួលបាន Python ជាមូលដ្ឋាន, ការបិទ Python-Java និង Python-Rust គឺមិនមានសំខាន់សម្រាប់ម៉ូដែលទាំងអស់ (ការបិទ ~11.7pp និង ~12.3pp ។ ទោះជាយ៉ាងណាក៏ដោយការពង្រីក Python-Elixir បានកើនឡើងយ៉ាងខ្លាំងជាងទំហំ ~13.4pp សម្រាប់ម៉ូដែលទាំងអស់ប៉ុណ្ណោះប៉ុណ្ណោះ Gemini 3 Flash Preview ដែលបង្ហាញថាពួកគេធ្វើការជាមួយ Elixir ជាច្រើនប្រសើរជាងមុន។ ប្រព័ន្ធ ប្រតិបត្តិការ Database ជាពិសេសគំរូនេះត្រូវបានអនុវត្តសម្រាប់ SQL ដូច្នេះ។ ខ្ញុំមានប្រភេទ 321 Leetcode database problems ដែលបានបោះពុម្ពពីឆ្នាំ 2015 ទៅឆ្នាំ 2025 ។ Easy Medium Hard Total 114 142 65 321 114 142 65 321 ខ្ញុំបានប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រើស។ សម្រាប់ SQL របស់ Oracle, មានដំណោះស្រាយដែលបានបោះពុម្ពនៅលើ Leetcode មានប្រហែល 15 ដងប្រហែលជាងសម្រាប់ MySQL ។ TIOBE និង GitHub មិនផ្តល់ស្ទិចស្ទិចណាមួយសម្រាប់ភាសាទាំងនេះ - ដោយសារតែពួកគេមិនគឺជាភាសាកម្មវិធី។ ដោយសារតែទិន្នន័យដែលជាទូទៅជាទិន្នន័យមុនពេលវេលានៃការកាត់បន្ថយការយល់ដឹងរបស់ម៉ូដែលវាអាចត្រូវបានកាត់បន្ថយបានហើយវាអាចត្រូវបានគួរឱ្យចាប់អារម្មណ៍នៅពេលបង្ហាញផលិតផលនេះ។ Model MySQL Oracle SQL 𝝙 claude-sonnet-4-5-20250929 87.5% 76.3% -11.2 gemini-2.5-flash 86.6% 67.9% -18.7 gemini-3-flash-preview 95.6% 85.7% -9.9 gpt-5-mini 89.1% 79.4% -9.7 grok-code-fast-1-0825 80.4% 66.7% -13.7 claude-sonnet-4-5-20250929 លទ្ធផល 85% លទ្ធផល 76.3% -11.2 gemini-2.5-flash លទ្ធផល 86.6% លទ្ធផល 67.9% -18.7 gemini-3-flash-preview លទ្ធផល 95.6% 85.7 លទ្ធផល -9.9 gpt-5-mini លទ្ធផល 89.1% លទ្ធផល 79.4% -9.7 grok-code-fast-1-0825 80.4 លទ្ធផល 66.7 លទ្ធផល -13.7 នៅពេលដែល N = 321 មានបញ្ហានិងទំហំដំណើរការប្រមាណនៅជុំវិញ 82% នេះទំហំសំខាន់គឺប្រមាណ 6 លទ្ធផល។ នេះមានន័យថាម៉ូដែលដែលបានធ្វើតេស្តទាំងអស់បានបង្ហាញនូវទំហំការទទួលយកខ្ពស់បំផុតសម្រាប់ MySQL ។ លទ្ធផល យើងអាចមើលឃើញថាសម្រាប់ការអនុវត្តនៃ LLM នៅលើបញ្ហាកូដមានប្រសិទ្ធភាពជាមួយនឹងការពេញនិយមនៃភាសា នេះ។ នេះជាការគួរឱ្យចាប់អារម្មណ៍យ៉ាងណាក៏ដោយ: ប្រហែលជាប្រហែលប្រហែលប្រហែលជាមិនប្រហែលប្រហែល, ដូច្នេះអ្នកអាចអរគុណថាសម្រាប់ការផ្លាស់ប្តូរប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហ ជាមួយនឹង Python និង Java ដែលជាភាសាដែលត្រូវបានប្រើជាទូទៅបំផុតម៉ូដែលធ្វើឱ្យប្រសើរជាង Elixir ដែលជាភាសាកំណត់។ ការបណ្តុះបណ្តាលដូចគ្នាគឺសម្រាប់បញ្ហា SQL ដែល LLMs ធ្វើឱ្យប្រសើរជាងនៅក្នុង MySQL ដូចជានៅក្នុង Oracle SQL ។ ការពន្យល់ដែលមានប្រសិទ្ធិភាពបំផុតគឺការបណ្តុះបណ្តាលទិន្នន័យទិន្នន័យ: ភាសាដែលមានប្រជាប្រិយភាពកាន់តែច្រើនបានបង្កើតកូដឧទាហរណ៍ច្រើនជាងនេះហើយផ្តល់នូវម៉ូដែលនូវសម្ភារៈបន្ថែមទៀតដើម្បីរៀនពី។ គោលបំណងពិតប្រាកដគឺយ៉ាងងាយស្រួល: ប្រសិនបើអ្នកប្រើ LLMs សម្រាប់ការគាំទ្រការកូដ, ការជ្រើសរើសភាសារបស់អ្នកមានប្រសិទ្ធភាព - អាចមានប្រសិទ្ធិភាពដូចជាការជ្រើសរើសម៉ូដរបស់អ្នក។ ការធ្វើការជាមួយភាសាមិនធម្មតានេះមានន័យថានឹងទទួលបានការគាំទ្រអេឡិចត្រូនិកដែលមានប្រសិទ្ធិភាពខ្ពស់ជាងនេះប៉ុន្តែ Gemini 3 Flash Preview គឺជាការប៉ះពាល់យ៉ាងខ្លាំងដែលបង្ហាញពីផលិតផលជិតដូចគ្នានៅលើភាសាទាំងអស់ដែលបានសាកល្បងសម្រាប់បញ្ហានៃប្រហែល។ ទោះជាយ៉ាងណាក៏ដោយ Rust, ទោះជាយ៉ាងណាក៏ដោយមានកម្រិតខុសគ្នានៃការផ្ទុកសាធារណៈនិងដំណោះស្រាយ Leetcode បានបោះពុម្ព, បានបង្ហាញថាមិនមានការផ្សេងគ្នានឹងមានប្រសិទ្ធិភាពប្រសិនបើមានប្រសិនបើមានប្រសិទ្ធិភាព។ ជាលើកដំបូងការអភិវឌ្ឍកំណត់បញ្ហានេះនឹងអនុញ្ញាតឱ្យការរកឃើញ Rust អាចត្រូវបានបញ្ជាក់ឬបាត់បន្ថយ។ ជាទីពីរការធ្វើតេស្តជាភាសាបន្ថែមដូចជា Scala, Dart ឬ Racket នឹងជួយបង្កើតការទំនាក់ទំនងអត្ថប្រយោជន៍និងការធ្វើឱ្យប្រសើរជាងមុន។ ហើយនៅពេលដែល LLMs នឹងរក្សាទុកការអភិវឌ្ឍវានឹងមានតម្លៃដើម្បីរក្សាទុកប្រសិនបើការបាត់បន្ថយអត្ថប្រយោជន៍សម្រាប់ភាសាកាត់បន្ថយនៅពេលវេលា។ ជញ្ជាំង ទិន្នន័យដែលបានប្រើសម្រាប់គណនានេះគឺ: https://huggingface.co/datasets/whiskwhite/leetcode-complete https://huggingface.co/datasets/whiskwhite/leetcode-complete ឧបករណ៍ដែលត្រូវបានប្រើដើម្បីបញ្ជូននិងបញ្ជូនដំណោះស្រាយ: https://github.com/whisk/leetgptsolver https://github.com/whisk/leetgptsolver
