Codegemma 7b

🚀 CodeGemma

CodeGemma是基於Gemma構建的輕量級開源代碼模型集合，提供了不同參數規模的變體，可用於代碼補全、代碼生成、代碼對話和代碼學習等多種場景，為開發者提供高效的代碼處理能力。

🚀 快速開始

要在Hugging Face上使用CodeGemma，你需要查看並同意Google的使用許可。請確保你已登錄Hugging Face，然後點擊下方按鈕。請求將立即處理。 確認許可

✨ 主要特性

• 多任務支持：支持代碼補全、自然語言到代碼生成、代碼對話和指令跟隨等多種任務。
• 多變體選擇：提供20億參數、70億預訓練和70億指令微調等不同參數規模的變體，滿足不同場景需求。
• 高性能表現：在多個編碼和自然語言基準測試中表現出色。

📚 詳細文檔

模型信息

描述

CodeGemma是基於Gemma構建的輕量級開源代碼模型集合。它包含文本到文本和文本到代碼的僅解碼器模型，有70億參數的預訓練變體（專注於代碼補全和生成任務）、70億參數的指令微調變體（用於代碼對話和指令跟隨）和20億參數的預訓練變體（用於快速代碼補全）。

輸入輸出

• 輸入：
  • 預訓練模型變體：代碼補全和生成場景的代碼前綴和/或後綴，或自然語言文本或提示。
  • 指令微調模型變體：自然語言文本或提示。
• 輸出：
  • 預訓練模型變體：中間填充代碼補全、代碼和自然語言。
  • 指令微調模型變體：代碼和自然語言。

模型數據

訓練數據集

以Gemma為基礎模型，CodeGemma 2B和7B預訓練變體在額外的5000億個主要為英語的令牌上進行了進一步訓練，這些數據來自公開可用的代碼庫、開源數學數據集和合成生成的代碼。

訓練數據處理

採用了以下數據預處理技術：

• FIM預訓練：專注於中間填充（FIM）任務，支持PSM和SPM模式，FIM率為80%，PSM/SPM比例為50-50。
• 基於依賴圖和單元測試的打包技術：在項目/倉庫級別構建訓練示例，以提高模型與實際應用的對齊度。
• 文檔拆分技術：開發了一種將文檔拆分為前綴、中間和後綴的新技術，使後綴的起始點在語法上更加自然。
• 安全過濾：與Gemma類似，部署了嚴格的安全過濾，包括過濾個人數據、CSAM過濾和其他基於內容質量和安全的過濾。

實現信息

硬件

CodeGemma使用最新一代的張量處理單元（TPU）硬件（TPUv5e）進行訓練。

軟件

使用JAX和ML Pathways進行訓練。

評估信息

評估方法

在多個領域的各種學術基準上對CodeGemma進行評估：

• 代碼補全基準：HumanEval單行和多行填充。
• 代碼生成基準：HumanEval、MBPP、BabelCode（C++、C#、Go、Java、JavaScript、Kotlin、Python、Rust）。
• 問答：BoolQ、PIQA、TriviaQA。
• 自然語言：ARC-Challenge、HellaSwag、MMLU、WinoGrande。
• 數學推理：GSM8K、MATH。

評估結果

編碼基準

自然語言基準

倫理與安全

評估方法

評估方法包括結構化評估和內部紅隊測試，針對與倫理和安全相關的多個類別進行評估，包括：

• 人工評估：對涵蓋內容安全和代表性危害的提示進行人工評估。
• 網絡攻擊能力測試：專門測試網絡攻擊能力，確保潛在危害得到限制。

評估結果

倫理和安全評估結果在可接受的閾值內，符合內部政策，如兒童安全、內容安全、代表性危害、記憶和大規模危害等類別。

模型使用與限制

預期用途

• 代碼補全：預訓練模型可用於通過IDE擴展完成代碼。
• 代碼生成：指令微調模型可用於生成代碼，有無IDE擴展均可。
• 代碼對話：指令微調模型可支持代碼對話界面。
• 代碼教育：指令微調模型支持交互式代碼學習體驗，幫助糾正語法或提供編碼練習。

已知限制

大型語言模型（LLM）基於其訓練數據和技術本身存在一定限制。有關LLM限制的更多詳細信息，請參閱Gemma模型卡片。

倫理考慮與風險

大型語言模型（LLM）的開發引發了一些倫理問題。在這些模型的開發過程中，我們仔細考慮了多個方面。有關模型的詳細信息，請參閱Gemma模型卡片中的相關討論。

優勢

在發佈時，與同等規模的模型相比，該系列模型提供了高性能的專注於開源代碼的大型語言模型實現，專為負責任的AI開發而設計。

💻 使用示例

基礎用法

代碼補全

from transformers import GemmaTokenizer, AutoModelForCausalLM

model_id = "google/codegemma-7b"
tokenizer = GemmaTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

prompt = '''\
<|fim_prefix|>import datetime
def calculate_age(birth_year):
    """Calculates a person's age based on their birth year."""
    current_year = datetime.date.today().year
    <|fim_suffix|>
    return age<|fim_middle|>\
'''

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
prompt_len = inputs["input_ids"].shape[-1]
outputs = model.generate(**inputs, max_new_tokens=100)
print(tokenizer.decode(outputs[0][prompt_len:]))

代碼生成

from transformers import GemmaTokenizer, AutoModelForCausalLM

tokenizer = GemmaTokenizer.from_pretrained("google/codegemma-7b")
model = AutoModelForCausalLM.from_pretrained("google/codegemma-7b")

input_text = "Write me a Python function to calculate the nth fibonacci number."
input_ids = tokenizer(input_text, return_tensors="pt")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

高級用法

代碼補全（帶終止符）

FIM_PREFIX = '<|fim_prefix|>'
FIM_SUFFIX = '<|fim_suffix|>'
FIM_MIDDLE = '<|fim_middle|>'
FIM_FILE_SEPARATOR = '<|file_separator|>'

terminators = tokenizer.convert_tokens_to_ids([FIM_PREFIX, FIM_MIDDLE, FIM_SUFFIX, FIM_FILE_SEPARATOR])
terminators += [tokenizer.eos_token_id]

outputs = model.generate(
  **inputs,
  max_new_tokens=100,
  eos_token_id=terminators,
)

📄 許可證

本項目使用gemma許可證。