Starcoderbase 3b

🚀 StarCoder-3B

StarCoder-3B 是 StarCoderBase 的 30 亿参数版本模型，它在 80 多种编程语言的代码数据上进行训练，可用于代码生成等任务。

🚀 快速开始

代码生成示例

# pip install -q transformers
from transformers import AutoModelForCausalLM, AutoTokenizer

checkpoint = "bigcode/starcoderbase-3b"
device = "cuda" # for GPU usage or "cpu" for CPU usage

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForCausalLM.from_pretrained(checkpoint).to(device)

inputs = tokenizer.encode("def print_hello_world():", return_tensors="pt").to(device)
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))

填空生成示例

input_text = "<fim_prefix>def print_hello_world():\n    <fim_suffix>\n    print('Hello world!')<fim_middle>"
inputs = tokenizer.encode(input_text, return_tensors="pt").to(device)
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))

✨ 主要特性

• 多语言支持：在来自 The Stack (v1.2) 的 80 多种编程语言上进行训练。
• 先进技术：采用 Multi Query Attention、8192 个标记的上下文窗口以及 Fill-in-the-Middle objective 进行训练。

📦 安装指南

原文档未提及安装相关内容，若要使用该模型，可参考代码示例中的依赖安装命令：

pip install -q transformers

📚 详细文档

模型概述

StarCoder-3B 是一个具有 30 亿参数的模型，在来自 The Stack (v1.2) 的 80 多种编程语言上进行训练，排除了选择退出请求的数据。该模型使用 Multi Query Attention、8192 个标记的上下文窗口，并在 1 万亿个标记上使用 Fill-in-the-Middle objective 进行训练。

• 仓库地址：bigcode/Megatron-LM
• 项目网站：bigcode-project.org
• 相关论文：💫StarCoder: May the source be with you!
• 联系邮箱：contact@bigcode-project.org
• 支持语言：80 多种编程语言

预期用途

该模型在 GitHub 代码上进行训练，因此它不是一个指令模型，像“编写一个计算平方根的函数”这样的命令效果不佳。但是，通过使用 Tech Assistant prompt，可以将其转变为一个强大的技术助手。

归属与其他要求

该模型的预训练数据集仅筛选了许可宽松的代码。尽管如此，模型仍可能直接从数据集中生成源代码。代码的许可证可能要求进行归属声明和/或遵守其他特定要求，必须予以尊重。我们提供了一个 搜索索引，可用于搜索预训练数据，以确定生成代码的来源，并为代码进行适当的归属声明。

局限性

该模型在 80 多种编程语言的源代码上进行训练。源代码中主要使用的自然语言是英语，尽管也存在其他语言。因此，该模型能够在一定上下文下生成代码片段，但生成的代码不一定能按预期工作。代码可能效率低下、包含错误或漏洞。有关模型局限性的深入讨论，请参阅 相关论文。

训练信息

模型参数

• 架构：具有多查询注意力和 Fill-in-the-Middle 目标的 GPT - 2 模型
• 预训练步数：500k
• 预训练标记数：1 万亿
• 精度：bfloat16

硬件资源

• GPU：256 个 Tesla A100
• 训练时间：12 天

软件环境

• 编排工具：Megatron-LM
• 神经网络框架：PyTorch
• BP16（如适用）：apex

🔧 技术细节

该模型采用了一系列先进的技术，如 Multi Query Attention 技术，它能够提高模型在处理长序列时的效率；使用 8192 个标记的上下文窗口，使得模型能够在更广泛的上下文中理解和生成代码；Fill-in-the-Middle objective 则允许模型在代码的中间部分进行填空生成，增加了代码生成的灵活性。这些技术的结合使得 StarCoder-3B 在代码生成任务中具有较好的表现。

📄 许可证

该模型遵循 BigCode OpenRAIL - M v1 许可协议。你可以在 此处 查看完整协议。

📚 引用

@article{li2023starcoder,
      title={StarCoder: may the source be with you!}, 
      author={Raymond Li and Loubna Ben Allal and Yangtian Zi and Niklas Muennighoff and Denis Kocetkov and Chenghao Mou and Marc Marone and Christopher Akiki and Jia Li and Jenny Chim and Qian Liu and Evgenii Zheltonozhskii and Terry Yue Zhuo and Thomas Wang and Olivier Dehaene and Mishig Davaadorj and Joel Lamy-Poirier and João Monteiro and Oleh Shliazhko and Nicolas Gontier and Nicholas Meade and Armel Zebaze and Ming-Ho Yee and Logesh Kumar Umapathi and Jian Zhu and Benjamin Lipkin and Muhtasham Oblokulov and Zhiruo Wang and Rudra Murthy and Jason Stillerman and Siva Sankalp Patel and Dmitry Abulkhanov and Marco Zocca and Manan Dey and Zhihan Zhang and Nour Fahmy and Urvashi Bhattacharyya and Wenhao Yu and Swayam Singh and Sasha Luccioni and Paulo Villegas and Maxim Kunakov and Fedor Zhdanov and Manuel Romero and Tony Lee and Nadav Timor and Jennifer Ding and Claire Schlesinger and Hailey Schoelkopf and Jan Ebert and Tri Dao and Mayank Mishra and Alex Gu and Jennifer Robinson and Carolyn Jane Anderson and Brendan Dolan-Gavitt and Danish Contractor and Siva Reddy and Daniel Fried and Dzmitry Bahdanau and Yacine Jernite and Carlos Muñoz Ferrandis and Sean Hughes and Thomas Wolf and Arjun Guha and Leandro von Werra and Harm de Vries},
      year={2023},
      eprint={2305.06161},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

⚠️ 重要提示

在使用该模型前，请阅读 BigCode OpenRAIL - M 许可协议 并接受该协议。

💡 使用建议

该模型不是指令模型，若要让其成为技术助手，可使用 Tech Assistant prompt。同时，生成的代码可能存在问题，使用时需进行检查和调试。