Starcoderbase 1b

🚀 StarCoderBase-1B

StarCoderBase-1B是StarCoderBase的10亿参数版本，它在80多种编程语言的代码数据上进行训练，能够生成代码片段，助力开发者的编程工作。

🚀 快速开始

生成代码

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

checkpoint = "bigcode/starcoderbase-1b"
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]))

补全代码

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80多种编程语言的代码数据上进行训练。
• 先进技术应用：采用Multi Query Attention、8192个token的上下文窗口，并使用Fill-in-the-Middle目标进行训练。
• 代码生成能力：能够根据一定上下文生成代码片段。

📚 详细文档

模型概述

StarCoderBase-1B是一个拥有10亿参数的模型，它在来自The Stack (v1.2)的80多种编程语言的代码数据上进行训练，排除了选择退出请求的数据。该模型采用了Multi Query Attention、8192个token的上下文窗口，并使用Fill-in-the-Middle目标在1万亿个token上进行训练。

• 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

使用方式

预期用途

该模型在GitHub代码上进行训练，它并非指令模型，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提示，可以将其转变为一个实用的技术助手。

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，并对代码进行正确的归属声明。

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，但也包含其他语言。因此，该模型能够根据一定上下文生成代码片段，但生成的代码不一定能按预期工作。它可能效率低下、包含错误或漏洞。有关模型局限性的详细讨论，请参阅相关论文。

训练信息

模型信息

• 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：500k
• 预训练token数量：1万亿
• 精度：bfloat16

硬件信息

• GPU：128个Tesla A100
• 训练时间：11天

软件信息

• 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}
}