Codegen 350M Multi

🚀 CodeGen (CodeGen-Multi 350M)

CodeGen是一系列用于程序合成的自回归语言模型，能够根据给定的自然语言和编程语言文本提取特征，并计算其可能性。该模型尤其擅长根据英文提示生成可执行代码。

🚀 快速开始

本模型可以使用 AutoModelForCausalLM 功能轻松加载：

from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen-350M-multi")
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen-350M-multi")

text = "def hello_world():"
input_ids = tokenizer(text, return_tensors="pt").input_ids

generated_ids = model.generate(input_ids, max_length=128)
print(tokenizer.decode(generated_ids[0], skip_special_tokens=True))

✨ 主要特性

• 多语言支持：模型在多种编程语言的数据集上进行预训练，支持多种常见编程语言。
• 程序合成能力：能够根据英文提示生成可执行代码，也可以完成部分生成的代码。

📚 详细文档

模型描述

CodeGen是来自论文 A Conversational Paradigm for Program Synthesis 的一系列用于程序合成的自回归语言模型，论文作者包括Erik Nijkamp、Bo Pang、Hiroaki Hayashi、Lifu Tu、Huan Wang、Yingbo Zhou、Silvio Savarese和Caiming Xiong。这些模型最初在 此仓库 中发布，有3种预训练数据变体（NL、Multi、Mono）和4种模型大小变体（350M、2B、6B、16B）。

本仓库中包含的检查点在论文中被称为 CodeGen-Multi 350M，其中“Multi”表示该模型以 CodeGen-NL 350M 为初始模型，并在多种编程语言的数据集上进一步预训练；“350M”指的是可训练参数的数量。

训练数据

此检查点（CodeGen-Multi 350M）首先以 CodeGen-NL 350M 为初始模型，然后在 BigQuery 上进行预训练。BigQuery是一个来自GitHub仓库的大规模多编程语言数据集，包含1192亿个标记，涵盖了C、C++、Go、Java、JavaScript和Python等编程语言。

训练过程

CodeGen使用交叉熵损失进行训练，以最大化序列输入的可能性。该系列模型由Google使用多个TPU-v4-512进行训练，利用了数据和模型并行性。更多详细信息请参阅论文 A Conversational Paradigm for Program Synthesis 的第2.3节。

评估结果

我们在两个代码生成基准测试（HumanEval和MTPB）上对模型进行了评估。更多详细信息请参阅论文 A Conversational Paradigm for Program Synthesis。

预期用途和局限性

作为自回归语言模型，CodeGen能够从给定的自然语言和编程语言文本中提取特征，并计算其可能性。然而，该模型主要用于并最擅长程序合成，即根据英文提示生成可执行代码，提示应采用注释字符串的形式。该模型也可以完成部分生成的代码。

伦理考量

此版本仅用于支持学术论文的研究目的。我们的模型、数据集和代码并非专门为所有下游用途设计或评估。我们强烈建议用户在部署此模型之前评估并解决与准确性、安全性和公平性相关的潜在问题。我们鼓励用户考虑人工智能的常见局限性，遵守适用法律，并在选择用例时采用最佳实践，特别是在错误或滥用可能对人们的生活、权利或安全产生重大影响的高风险场景中。有关用例的进一步指导，请参阅我们的AUP和AI AUP。

BibTeX引用和引用信息

@article{Nijkamp2022ACP,
  title={A Conversational Paradigm for Program Synthesis},
  author={Nijkamp, Erik and Pang, Bo and Hayashi, Hiroaki and Tu, Lifu and Wang, Huan and Zhou, Yingbo and Savarese, Silvio and Xiong, Caiming},
  journal={arXiv preprint},
  year={2022}
}

📄 许可证

本项目采用BSD 3条款许可证（BSD-3-Clause License）。