Starcoderbase 3b

🚀 StarCoder-3B

StarCoderBase の30億パラメータバージョンです。このモデルは80以上のプログラミング言語に対応し、コード生成に特化しています。

🚀 クイックスタート

目次

1. モデル概要
2. 使用方法
3. 制限事項
4. 学習
5. ライセンス
6. 引用

✨ 主な機能

モデル概要

StarCoder-3Bは、The Stack (v1.2) の80以上のプログラミング言語のコードで学習された30億パラメータのモデルです。オプトアウト要求のあったデータは除外されています。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、Fill-in-the-Middle目的関数 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以上のプログラミング言語

📦 インストール

インストールに必要なコマンドは以下の通りです。

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-3b"
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

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]))

帰属表示とその他の要件

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コードのみでフィルタリングされています。しかし、モデルはデータセットからそのままのソースコードを生成することがあります。生成されたコードのライセンスには、帰属表示やその他の特定の要件がある場合があり、これらを尊重する必要があります。我々は、事前学習データを検索して生成されたコードの出所を特定し、適切な帰属表示を行うための 検索インデックス を提供しています。

🔧 技術詳細

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。したがって、モデルはある程度のコンテキストが与えられれば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。非効率的であったり、バグや脆弱性を含むことがあります。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。

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目的関数を持つGPT-2モデル
• 事前学習ステップ数: 500k
• 事前学習トークン数: 1兆
• 精度: bfloat16

ハードウェア

• GPU: 256台のTesla A100
• 学習時間: 12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提供されています。完全な契約は こちら で確認できます。

📚 ドキュメント

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}
}

モデル情報

重要提示

⚠️ 重要提示

モデルの使用前に、BigCodeの OpenRAIL-Mライセンス契約 を読んで承諾してください。

使用建议

💡 使用アドバイス

このモデルはGitHubのコードで学習されており、命令型の入力には適していません。Tech Assistantプロンプト を使用することで、技術的なアシスタントとして機能させることができます。また、生成されたコードの帰属表示やライセンス要件を確認するために、検索インデックス を利用してください。