Starcoderbase 1b

🚀 StarCoderBase-1B

StarCoderBase-1Bは、StarCoderBaseの10億パラメータバージョンです。このモデルは、80種類以上のプログラミング言語のコード生成に特化しており、高い汎用性を持っています。

🚀 クイックスタート

このセクションでは、StarCoderBase-1Bモデルの基本的な使い方を説明します。

生成

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

checkpoint = "bigcode/starcoderbase-1b"
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]))

中間埋め込み (Fill-in-the-middle)

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]))

✨ 主な機能

• 多言語対応：80種類以上のプログラミング言語に対応しています。
• 中間埋め込み機能：<fim_prefix>、<fim_suffix>、<fim_middle> を使ってコードの中間部分を生成できます。
• テクニカルアシスタント機能：Tech Assistant prompt を使って、テクニカルアシスタントとして使用することができます。

📦 インストール

pip install -q transformers

💻 使用例

基本的な使用法

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

checkpoint = "bigcode/starcoderbase-1b"
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

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]))

📚 ドキュメント

モデル概要

StarCoderBase-1Bは、The Stack (v1.2) からの80種類以上のプログラミング言語のコードで学習された10億パラメータのモデルです。このモデルは、Multi Query Attention と 8192トークンのコンテキストウィンドウ を使用しており、Fill-in-the-Middle objective で1兆トークンのデータで学習されています。

• 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
• 対応言語：80種類以上のプログラミング言語

使用方法

意図された使用法

このモデルはGitHubのコードで学習されているため、命令型のモデルではありません。「平方根を計算する関数を書いて」のようなコマンドはうまく機能しません。しかし、Tech Assistant prompt を使用することで、有能なテクニカルアシスタントに変えることができます。

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そのまま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、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。

制限事項

このモデルは80種類以上のプログラミング言語のソースコードで学習されています。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した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。詳細なモデルの制限事項については、論文 を参照してください。

学習

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：500k
• 事前学習トークン：1兆
• 精度：bfloat16

ハードウェア

• GPU：128台のTesla A100
• 学習時間：11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

🔧 技術詳細

メトリクス

📄 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提供されています。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}
}