Codegemma 1.1 7b It

🚀 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、代碼對話等多種編程相關任務，為開發者提供了強大的代碼輔助能力。

模型鏈接

• 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

✨ 主要特性

CodeGemma模型具有以下特點：

• 多任務支持：支持代碼補全、自然語言到代碼的生成、代碼對話和指令跟隨等多種任務。
• 多種參數變體：提供20億和70億參數的預訓練變體，以及70億參數的指令調優變體，滿足不同場景的需求。
• 高性能表現：在多個編碼和自然語言基準測試中表現出色。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

代碼生成

from transformers import GemmaTokenizer, AutoModelForCausalLM

tokenizer = GemmaTokenizer.from_pretrained("google/codegemma-1.1-7b-it")
model = AutoModelForCausalLM.from_pretrained("google/codegemma-1.1-7b-it")

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]))

聊天模板

from transformers import AutoTokenizer, AutoModelForCausalLM
import transformers
import torch

model_id = "google/codegemma-1.1-7b-it"
dtype = torch.bfloat16

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    device_map="cuda",
    torch_dtype=dtype,
)

chat = [
    { "role": "user", "content": "Write a hello world program" },
]

prompt = tokenizer.apply_chat_template(chat, tokenize=False, add_generation_prompt=True)

高級用法

inputs = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt")
outputs = model.generate(input_ids=inputs.to(model.device), max_new_tokens=150)

📚 詳細文檔

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 - 10000億個主要為英語的令牌數據上進行進一步訓練，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：CodeGemma模型專注於中間填充（FIM）任務，支持PSM和SPM模式，FIM率為80% - 90%，PSM/SPM比例為50 - 50。
• 依賴圖和單元測試打包：為了提高模型與實際應用的對齊性，在項目/代碼庫級別構建訓練示例，採用依賴圖打包和單元測試詞法打包技術。
• 文檔拆分：開發了一種將文檔拆分為前綴、中間和後綴的新技術，使後綴從更符合語法的自然點開始。
• 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相關內容政策的內部紅隊測試。紅隊測試由多個不同團隊進行，每個團隊有不同的目標和人工評估指標。這些模型在多個與倫理和安全相關的類別上進行評估，包括：

• 內容安全和代表性危害的人工評估：更多評估方法細節見Gemma模型卡片。
• 網絡攻擊能力測試：重點測試自主黑客能力，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範圍內，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。更多細節見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模型有不同的用途：

• 代碼補全：PT模型可用於通過IDE擴展完成代碼。
• 代碼生成：IT模型可用於生成代碼，有無IDE擴展均可。
• 代碼對話：IT模型可支持代碼討論的對話界面。
• 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（LLMs）基於其訓練數據和技術本身存在侷限性。更多LLMs侷限性細節見Gemma模型卡片。

倫理考慮與風險

大語言模型（LLMs）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。更多模型細節請參考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，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。

📄 許可證

本項目使用的許可證為 gemma。