Instructcodet5p 16b

🚀 InstructCodeT5+ 16B

InstructCodeT5+ 16B 是一款基於編碼器 - 解碼器架構的開源代碼大語言模型，能以多種模式靈活運行，支持廣泛的代碼理解和生成任務，在多個代碼相關任務上表現出色。

🚀 快速開始

本模型可以使用 AutoModelForSeq2SeqLM 輕鬆加載，並且使用與 CodeGen 相同的分詞器。

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

checkpoint = "Salesforce/instructcodet5p-16b"
device = "cuda" # for GPU usage or "cpu" for CPU usage

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSeq2SeqLM.from_pretrained(checkpoint,
                                              torch_dtype=torch.float16,
                                              low_cpu_mem_usage=True,
                                              trust_remote_code=True).to(device)

encoding = tokenizer("def print_hello_world():", return_tensors="pt").to(device)
encoding['decoder_input_ids'] = encoding['input_ids'].clone()
outputs = model.generate(**encoding, max_length=15)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

✨ 主要特性

• 多模式靈活運行：CodeT5+ 可以在不同模式（即 僅編碼器、僅解碼器 和 編碼器 - 解碼器）下靈活操作，以支持廣泛的代碼理解和生成任務。
• 多樣化預訓練任務：與原始的 CodeT5 家族相比，CodeT5+ 使用了包括 跨度去噪、因果語言建模、對比學習 和 文本 - 代碼匹配 在內的多種預訓練任務進行預訓練，能夠從單模態代碼數據和雙模態代碼 - 文本數據中學習豐富的表示。
• 高效預訓練方法：採用簡單有效的 計算高效預訓練 方法，使用現成的大語言模型（如 CodeGen）初始化模型組件，以高效地擴展模型規模（如 2B、6B、16B），並採用 “淺編碼器和深解碼器” 架構。
• 指令調優：按照 Code Alpaca 進行指令調優，以與自然語言指令對齊。

📦 安裝指南

暫未提及安裝相關內容，可參考上述快速開始部分的代碼示例進行模型加載。

💻 使用示例

基礎用法

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

checkpoint = "Salesforce/instructcodet5p-16b"
device = "cuda" # for GPU usage or "cpu" for CPU usage

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSeq2SeqLM.from_pretrained(checkpoint,
                                              torch_dtype=torch.float16,
                                              low_cpu_mem_usage=True,
                                              trust_remote_code=True).to(device)

encoding = tokenizer("def print_hello_world():", return_tensors="pt").to(device)
encoding['decoder_input_ids'] = encoding['input_ids'].clone()
outputs = model.generate(**encoding, max_length=15)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

📚 詳細文檔

預訓練數據

此檢查點在 github-code 數據集 去重版本的更嚴格許可子集上進行訓練。數據預處理時僅保留許可寬鬆的代碼（“mit”、“apache - 2”、“bsd - 3 - clause”、“bsd - 2 - clause”、“cc0 - 1.0”、“unlicense”、“isc”）。支持的語言（共 9 種）如下：c、c++、c - sharp、go、java、javascript、php、python、ruby。

訓練過程

此檢查點從現成的大語言模型初始化，即其編碼器從 CodeGen - 350M - mono 初始化，解碼器從 CodeGen - 16B - mono 初始化。在第一階段預訓練中，它在單模態代碼數據上進行訓練，包括多種預訓練任務，如 跨度去噪 和兩種變體的 因果語言建模。之後，在 Python 子集上以因果語言建模為目標再訓練一個週期，以更好地適應 Python 代碼生成。最後，按照 Code Alpaca 進行指令調優，使其與自然語言指令對齊。更多詳細信息請參考論文。

評估結果

CodeT5+ 模型在各種設置（零樣本、微調 和 指令調優）下的廣泛代碼理解和生成任務中進行了全面評估。具體而言，與現有最優基線相比，CodeT5+ 在許多下游任務上取得了顯著的性能提升，例如：8 個文本到代碼檢索任務（平均 MRR 提高 3.2）、2 個行級代碼補全任務（平均精確匹配提高 2.1）和 2 個檢索增強代碼生成任務（平均 BLEU - 4 提高 5.8）。在 MathQA - Python 和 GSM8K - Python 上的 2 個數學編程任務中，參數小於 10 億的 CodeT5+ 模型顯著優於許多參數高達 137B 的大語言模型。特別是在 HumanEval 基準的零樣本文本到代碼生成任務中，InstructCodeT5+ 16B 相對於其他開源代碼大語言模型創造了新的最優結果，pass@1 為 35.0%，pass@10 為 54.5%。

🔧 技術細節

CodeT5+ 是一個新的開源代碼大語言模型家族，具有編碼器 - 解碼器架構。它通過多樣化的預訓練任務和高效的預訓練方法，能夠從多種數據中學習豐富的表示。在訓練過程中，採用分階段訓練和指令調優等技術，使其在多種代碼相關任務中表現出色。具體的技術細節可參考論文 CodeT5+: Open Code Large Language Models for Code Understanding and Generation。

📄 許可證

本項目採用 bsd - 3 - clause 許可證。

引用信息

@article{wang2023codet5plus,
  title={CodeT5+: Open Code Large Language Models for Code Understanding and Generation},
  author={Wang, Yue and Le, Hung and Gotmare, Akhilesh Deepak and Bui, Nghi D.Q. and Li, Junnan and Hoi, Steven C. H.},
  journal={arXiv preprint},
  year={2023}
}

倫理考慮

本版本僅用於支持學術論文的研究目的。我們的模型、數據集和代碼並非專門為所有下游用途設計或評估。我們強烈建議用戶在部署此模型之前評估並解決與準確性、安全性和公平性相關的潛在問題。我們鼓勵用戶考慮人工智能的常見侷限性，遵守適用法律，並在選擇用例時採用最佳實踐，特別是在錯誤或濫用可能對人們的生活、權利或安全產生重大影響的高風險場景中。有關用例的更多指導，請參考我們的 AUP 和 AI AUP。