Starcoder

🚀 StarCoder

StarCoderは、80以上のプログラミング言語で訓練されたコード生成モデルです。大規模なコードデータセットを使用し、高度な技術を駆使して訓練されています。

🚀 クイックスタート

StarCoder Playground でモデルを試すことができます。

✨ 主な機能

• 80以上のプログラミング言語に対応したコード生成が可能です。
• Multi Query Attention を使用し、効率的な計算が行えます。
• 8192トークンのコンテキストウィンドウを持ち、長いコード生成にも対応しています。
• Fill-in-the-Middle objective を用いて訓練されています。

📦 インストール

# pip install -q transformers
from transformers import AutoModelForCausalLM, AutoTokenizer

checkpoint = "bigcode/starcoder"
device = "cuda" # for GPU usage or "cpu" for CPU usage

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForCausalLM.from_pretrained(checkpoint).to(device)

💻 使用例

基本的な使用法

# pip install -q transformers
from transformers import AutoModelForCausalLM, AutoTokenizer

checkpoint = "bigcode/starcoder"
device = "cuda" # for GPU usage or "cpu" for CPU usage

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForCausalLM.from_pretrained(checkpoint).to(device)

inputs = tokenizer.encode("def print_hello_world():", return_tensors="pt").to(device)
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))

高度な使用法

Fill-in-the-middleでは、入力と出力のプレフィックス/ミドル/サフィックス部分を識別するために特殊トークンを使用します。

input_text = "<fim_prefix>def print_hello_world():\n    <fim_suffix>\n    print('Hello world!')<fim_middle>"
inputs = tokenizer.encode(input_text, return_tensors="pt").to(device)
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))

帰属とその他の要件

モデルの事前学習データセットは、許容的なライセンスのみでフィルタリングされています。それにもかかわらず、モデルはデータセットからソースコードをそのまま生成することがあります。コードのライセンスには帰属やその他の特定の要件が必要な場合があり、それらを尊重する必要があります。私たちは、生成されたコードがどこから来たかを特定し、適切な帰属をコードに適用するために、事前学習データを検索できる 検索インデックス を提供しています。

📚 ドキュメント

モデル概要

StarCoderモデルは、The Stack (v1.2) の80以上のプログラミング言語で訓練された155億パラメータのモデルです。オプトアウト要求を除外しています。モデルは Multi Query Attention、8192トークンのコンテキストウィンドウ を使用し、Fill-in-the-Middle objective を使用して1兆トークンで訓練されています。

• リポジトリ: bigcode/Megatron-LM
• プロジェクトウェブサイト: bigcode-project.org
• 論文: 💫StarCoder: May the source be with you!
• 問い合わせ先: contact@bigcode-project.org
• 言語: 80以上のプログラミング言語

制限事項

モデルは80以上のプログラミング言語のソースコードで訓練されています。ソースコードの主な自然言語は英語ですが、他の言語も含まれています。そのため、モデルはある程度のコンテキストを与えることでコードスニペットを生成することができますが、生成されたコードが意図通りに動作することは保証されていません。非効率であったり、バグや脆弱性を含んでいる可能性があります。現時点では、モデルが以前に生成したコンテンツを検出するメカニズムはありません。モデルの制限事項についての詳細な議論は、論文 を参照してください。

訓練

モデル

• アーキテクチャ: マルチクエリアテンションとFill-in-the-Middleオブジェクティブを持つGPT - 2モデル
• 事前学習ステップ: 250k
• 事前学習トークン: 1兆
• 精度: bfloat16

ハードウェア

• GPU: 512台のTesla A100
• 訓練時間: 24日（事前学習320,256 GPU時間 + Python微調整11,208 GPU時間）
• 訓練FLOPS: 8.46E+22

ソフトウェア

• オーケストレーション: Megatron-LM
• ニューラルネットワーク: PyTorch
• BP16（適用可能な場合）: apex

📄 ライセンス

モデルはBigCode OpenRAIL - M v1ライセンス契約の下で提供されています。完全な契約は こちら で確認できます。

ライセンス契約に関する質問や使用制限に関する申し立てについては、contact@bigcode-project.orgまでメールでお問い合わせください。

📚 引用

@article{li2023starcoder,
      title={StarCoder: may the source be with you!}, 
      author={Raymond Li and Loubna Ben Allal and Yangtian Zi and Niklas Muennighoff and Denis Kocetkov and Chenghao Mou and Marc Marone and Christopher Akiki and Jia Li and Jenny Chim and Qian Liu and Evgenii Zheltonozhskii and Terry Yue Zhuo and Thomas Wang and Olivier Dehaene and Mishig Davaadorj and Joel Lamy-Poirier and João Monteiro and Oleh Shliazhko and Nicolas Gontier and Nicholas Meade and Armel Zebaze and Ming-Ho Yee and Logesh Kumar Umapathi and Jian Zhu and Benjamin Lipkin and Muhtasham Oblokulov and Zhiruo Wang and Rudra Murthy and Jason Stillerman and Siva Sankalp Patel and Dmitry Abulkhanov and Marco Zocca and Manan Dey and Zhihan Zhang and Nour Fahmy and Urvashi Bhattacharyya and Wenhao Yu and Swayam Singh and Sasha Luccioni and Paulo Villegas and Maxim Kunakov and Fedor Zhdanov and Manuel Romero and Tony Lee and Nadav Timor and Jennifer Ding and Claire Schlesinger and Hailey Schoelkopf and Jan Ebert and Tri Dao and Mayank Mishra and Alex Gu and Jennifer Robinson and Carolyn Jane Anderson and Brendan Dolan-Gavitt and Danish Contractor and Siva Reddy and Daniel Fried and Dzmitry Bahdanau and Yacine Jernite and Carlos Muñoz Ferrandis and Sean Hughes and Thomas Wolf and Arjun Guha and Leandro von Werra and Harm de Vries},
      year={2023},
      eprint={2305.06161},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}