Codegemma 2b GGUF

🚀 CodeGemma

CodeGemma是基於Gemma構建的輕量級開源代碼模型集合，可用於代碼補全、代碼生成等多種任務，為開發者提供高效的代碼處理能力。

🚀 快速開始

在使用CodeGemma之前，請確保你已經瞭解以下信息：

• 模型頁面：CodeGemma
• 資源與技術文檔：
  • 技術報告
  • 負責任的生成式AI工具包
• 使用條款：條款
• 作者：Google

⚠️ 重要提示

在llama.cpp以及其他相關工具（如Ollama和LM Studio）中，請確保正確設置相關標誌，尤其是**repeat-penalty**。Georgi Gerganov（llama.cpp的作者）在https://huggingface.co/google/gemma-7b-it/discussions/38#65d7b14adb51f7c160769fa1 分享了他的經驗。

✨ 主要特性

• 多種模型變體：提供70億參數的預訓練變體、70億參數的指令調優變體和20億參數的預訓練變體，滿足不同的代碼處理需求。
• 廣泛的應用場景：可用於代碼補全、代碼生成、代碼對話和代碼教育等多個領域。
• 高性能表現：在多個編碼和自然語言基準測試中表現出色。

📦 安裝指南

暫未提供相關安裝步驟。

💻 使用示例

基礎用法

$ cat non_prime
/// Write a rust function to identify non-prime numbers.
///
/// Examples:
/// >>> is_not_prime(2)
/// False
/// >>> is_not_prime(10)
/// True
pub fn is_not_prime(n: i32) -> bool {
$ main -m codegemma-2b.gguf --temp 0 --top-k 0 -f non_prime --log-disable --repeat-penalty 1.0
 /// Write a rust function to identify non-prime numbers.
///
/// Examples:
/// >>> is_not_prime(2)
/// False
/// >>> is_not_prime(10)
/// True
pub fn is_not_prime(n: i32) -> bool {
    for i in 2..n {
        if n % i == 0 {
            return true;
        }
    }
    false
}
<|file_separator|>

高級用法

暫未提供相關高級用法示例。

📚 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。CodeGemma模型是僅解碼器的文本到文本和文本到代碼模型，有70億參數的預訓練變體（專注於代碼補全和代碼生成任務）、70億參數的指令調優變體（用於代碼聊天和指令跟隨）和20億參數的預訓練變體（用於快速代碼補全）。

輸入與輸出

• 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。
  • 指令調優模型變體：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。
  • 指令調優模型變體：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標記上進行進一步訓練，這些數據來自公開可用的代碼倉庫、開源數學數據集和合成生成的代碼。

訓練數據處理

應用了以下數據預處理技術：

• FIM預訓練：CodeGemma模型專注於中間填充（FIM）任務，支持PSM和SPM模式，FIM設置為80%的FIM率，PSM/SPM比例為50-50。
• 基於依賴圖的打包和基於單元測試的詞法打包：為了提高模型與實際應用的對齊，在項目/倉庫級別構建訓練示例，使每個倉庫內最相關的源文件位於同一位置。
• 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對相關內容政策的內部紅隊測試。紅隊測試由多個不同的團隊進行，每個團隊有不同的目標和人工評估指標。這些模型針對與倫理和安全相關的多個不同類別進行評估，包括：

• 對涵蓋內容安全和代表性危害的提示進行人工評估。更多評估方法詳情請參閱Gemma模型卡片。
• 對網絡攻擊能力進行特定測試，重點測試自主黑客能力並確保潛在危害得到限制。

評估結果

倫理和安全評估結果在符合內部政策的可接受閾值範圍內，涉及兒童安全、內容安全、代表性危害、記憶、大規模危害等類別。更多詳情請參閱Gemma模型卡片。

模型使用與限制

預期用途

Code Gemma模型有廣泛的應用，不同的IT和PT模型變體有所不同。以下潛在用途列表並不全面，目的是提供模型創建者在模型訓練和開發過程中考慮的可能用例的上下文信息。

• 代碼補全：PT模型可用於通過IDE擴展完成代碼。
• 代碼生成：IT模型可用於有或沒有IDE擴展的代碼生成。
• 代碼對話：IT模型可為討論代碼的對話界面提供支持。
• 代碼教育：IT模型支持交互式代碼學習體驗，有助於語法糾正或提供編碼練習。

已知限制

大語言模型（LLM）基於其訓練數據和技術的固有侷限性存在一定限制。更多關於LLM限制的詳細信息請參閱Gemma模型卡片。

倫理考慮與風險

大語言模型（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。有關模型詳細信息，請參閱Gemma模型卡片中的相同討論。

優勢

在發佈時，與同等規模的模型相比，這個模型家族提供了高性能的、專注於開源代碼的大語言模型實現，從一開始就為負責任的AI開發而設計。 使用本文檔中描述的編碼基準評估指標，這些模型在性能上優於其他同等規模的開源模型替代方案。

📄 許可證

本項目使用的許可證為gemma。