Starcoderbase

🚀 StarCoderBase

StarCoderBaseは、80以上のプログラミング言語でトレーニングされた大規模言語モデルです。多言語に対応し、コード生成やFill-in-the-Middleなどのタスクに対応しています。

🚀 クイックスタート

StarCoder Playground でモデルを試すことができます。

📚 ドキュメント

目次

1. モデル概要
2. 使用方法
3. 制限事項
4. トレーニング
5. ライセンス
6. 引用

モデル概要

StarCoderBaseモデルは、The Stack (v1.2) からの80以上のプログラミング言語でトレーニングされた155億パラメータのモデルです。オプトアウト要求があったデータは除外されています。このモデルは Multi Query Attention を使用し、8192トークンのコンテキストウィンドウ を持ち、Fill-in-the-Middle目的 で1兆トークンを使ってトレーニングされました。

使用方法

想定される使用法

このモデルはGitHubのコードでトレーニングされています。そのため、命令モデルではなく、「平方根を計算する関数を書いて」などのコマンドはうまく機能しません。ただし、Tech Assistant prompt を使用することで、有能な技術アシスタントに変えることができます。

コミュニティタブで生成結果を自由に共有してください！

生成

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

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

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

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

Fill-in-the-middle

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

この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逐語的に生成することができます。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、コードに適切な帰属を適用するために、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。

制限事項

このモデルは80以上のプログラミング言語のソースコードでトレーニングされています。ソースの主な言語は英語ですが、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した通りに動作することは保証されません。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。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。

トレーニング

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目的を持つ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
• トレーニング時間: 24日

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

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

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}
}