Starcoderbase

🚀 StarCoderBase

StarCoderBase是一个基于155亿参数的模型，在80多种编程语言的代码数据上进行训练，具备强大的代码生成能力，可用于辅助代码编写等场景。

🚀 快速开始

你可以在 StarCoder Playground 上体验该模型。

✨ 主要特性

• 多语言支持：基于 The Stack (v1.2) 数据集，在80多种编程语言的代码上进行训练。
• 先进技术运用：采用 Multi Query Attention 技术，拥有 8192个标记的上下文窗口，并基于 Fill-in-the-Middle目标 在1万亿个标记上进行训练。

📦 安装指南

运行以下命令安装所需库：

pip install -q transformers

💻 使用示例

基础用法

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

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

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

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

高级用法

Fill-in-the-middle 使用特殊标记来识别输入和输出的前缀/中间/后缀部分：

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]))

📚 详细文档

模型概述

StarCoderBase 模型是具有155亿参数的模型，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，并基于 Fill-in-the-Middle目标 在1万亿个标记上进行训练。

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

使用说明

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。不过，通过使用 Tech Assistant prompt，可以将其转变为一个强大的技术助手。

欢迎在社区板块分享你的生成结果！

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许可证。尽管如此，模型仍可能逐字生成数据集中的源代码。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，并为你的代码进行适当的归属声明。

🔧 技术细节

模型

• 架构：具有多查询注意力和 Fill-in-the-Middle 目标的 GPT - 2 模型
• 预训练步骤：250k
• 预训练标记：1万亿
• 精度：bfloat16

硬件

• GPU：512 个 Tesla A100
• 训练时间：24 天

软件

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

📄 许可证

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

📚 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

请在接受之前阅读 BigCode OpenRAIL - M 许可证 协议。

💡 使用建议

该模型不是指令模型，若要将其转变为技术助手，可使用 Tech Assistant prompt。同时，对于生成的代码，需注意其许可证可能要求的归属声明和其他特定要求，可通过 搜索索引 确定代码来源。