Instructcodet5p 16b

🚀 InstructCodeT5+ 16B

InstructCodeT5+ 16B 是一款基于编码器 - 解码器架构的开源代码大语言模型，能以多种模式灵活运行，支持广泛的代码理解和生成任务，在多个代码相关任务上表现出色。

🚀 快速开始

本模型可以使用 AutoModelForSeq2SeqLM 轻松加载，并且使用与 CodeGen 相同的分词器。

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

• 多模式灵活运行：CodeT5+ 可以在不同模式（即 仅编码器、仅解码器 和 编码器 - 解码器）下灵活操作，以支持广泛的代码理解和生成任务。
• 多样化预训练任务：与原始的 CodeT5 家族相比，CodeT5+ 使用了包括 跨度去噪、因果语言建模、对比学习 和 文本 - 代码匹配 在内的多种预训练任务进行预训练，能够从单模态代码数据和双模态代码 - 文本数据中学习丰富的表示。
• 高效预训练方法：采用简单有效的 计算高效预训练 方法，使用现成的大语言模型（如 CodeGen）初始化模型组件，以高效地扩展模型规模（如 2B、6B、16B），并采用 “浅编码器和深解码器” 架构。
• 指令调优：按照 Code Alpaca 进行指令调优，以与自然语言指令对齐。

📦 安装指南

暂未提及安装相关内容，可参考上述快速开始部分的代码示例进行模型加载。

💻 使用示例

基础用法

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))

📚 详细文档

预训练数据

此检查点在 github-code 数据集 去重版本的更严格许可子集上进行训练。数据预处理时仅保留许可宽松的代码（“mit”、“apache - 2”、“bsd - 3 - clause”、“bsd - 2 - clause”、“cc0 - 1.0”、“unlicense”、“isc”）。支持的语言（共 9 种）如下：c、c++、c - sharp、go、java、javascript、php、python、ruby。

训练过程

此检查点从现成的大语言模型初始化，即其编码器从 CodeGen - 350M - mono 初始化，解码器从 CodeGen - 16B - mono 初始化。在第一阶段预训练中，它在单模态代码数据上进行训练，包括多种预训练任务，如 跨度去噪 和两种变体的 因果语言建模。之后，在 Python 子集上以因果语言建模为目标再训练一个周期，以更好地适应 Python 代码生成。最后，按照 Code Alpaca 进行指令调优，使其与自然语言指令对齐。更多详细信息请参考论文。

评估结果

CodeT5+ 模型在各种设置（零样本、微调 和 指令调优）下的广泛代码理解和生成任务中进行了全面评估。具体而言，与现有最优基线相比，CodeT5+ 在许多下游任务上取得了显著的性能提升，例如：8 个文本到代码检索任务（平均 MRR 提高 3.2）、2 个行级代码补全任务（平均精确匹配提高 2.1）和 2 个检索增强代码生成任务（平均 BLEU - 4 提高 5.8）。在 MathQA - Python 和 GSM8K - Python 上的 2 个数学编程任务中，参数小于 10 亿的 CodeT5+ 模型显著优于许多参数高达 137B 的大语言模型。特别是在 HumanEval 基准的零样本文本到代码生成任务中，InstructCodeT5+ 16B 相对于其他开源代码大语言模型创造了新的最优结果，pass@1 为 35.0%，pass@10 为 54.5%。

🔧 技术细节

CodeT5+ 是一个新的开源代码大语言模型家族，具有编码器 - 解码器架构。它通过多样化的预训练任务和高效的预训练方法，能够从多种数据中学习丰富的表示。在训练过程中，采用分阶段训练和指令调优等技术，使其在多种代码相关任务中表现出色。具体的技术细节可参考论文 CodeT5+: Open Code Large Language Models for Code Understanding and Generation。

📄 许可证

本项目采用 bsd - 3 - clause 许可证。

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}
}

伦理考虑

本版本仅用于支持学术论文的研究目的。我们的模型、数据集和代码并非专门为所有下游用途设计或评估。我们强烈建议用户在部署此模型之前评估并解决与准确性、安全性和公平性相关的潜在问题。我们鼓励用户考虑人工智能的常见局限性，遵守适用法律，并在选择用例时采用最佳实践，特别是在错误或滥用可能对人们的生活、权利或安全产生重大影响的高风险场景中。有关用例的更多指导，请参考我们的 AUP 和 AI AUP。