Codegen25 7b Instruct P

🚀 CodeGen2.5-7B-instruct

CodeGen2.5-7B-instruct 是一个用于程序合成的自回归语言模型家族。它基于较小的模型规模，在代码生成任务上取得了具有竞争力的结果，能够根据英文提示生成可执行代码，还能完成部分生成的代码。

🚀 快速开始

前提条件

请安装 OpenAI 的 tiktoken 用于分词器。

pip install tiktoken==0.4.0

因果采样（代码自动补全）

对于常规的因果采样，只需根据上下文生成补全内容：

from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen25-7b-instruct", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen25-7b-instruct")

text = "def hello_world():"
input_ids = tokenizer(text, return_tensors="pt").input_ids
generated_ids = model.generate(input_ids, max_length=128)
print(tokenizer.decode(generated_ids[0], skip_special_tokens=True))

填充采样

对于填充采样，我们遵循 CodeGen2 的格式：

• <mask_N>：第 N 个要掩码的跨度。在实践中，使用 <mask_1> 来指定要填充的位置。
• <sep>：后缀和填充样本之间的分隔符标记。
• <eom>：“掩码结束”标记，模型在填充结束时会输出该标记。您可以使用此标记来截断输出。

例如，如果我们想为以下函数的光标位置生成填充内容：

def hello_world():
    |
    return name

我们通过以下步骤构造模型的输入：

1. 在光标位置插入 <mask_1> 标记。
2. 追加 <sep> 标记以指示边界。
3. 插入另一个 <mask_1> 以指示我们要填充的掩码。

最终的代码片段如下：

from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen25-7b-instruct", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen25-7b-instruct")


def format(prefix, suffix):
  return prefix + "<mask_1>" + suffix + "<|endoftext|>" + "<sep>" + "<mask_1>"


prefix = "def hello_world():\n    "
suffix = "    return name"
text = format(prefix, suffix)
input_ids = tokenizer(text, return_tensors="pt").input_ids
generated_ids = model.generate(input_ids, max_length=128)
print(tokenizer.decode(generated_ids[0], skip_special_tokens=False)[len(text):])

您可能需要使用 <eom> 来截断模型输出。

✨ 主要特性

• 高效性能：基于 CodeGen2 构建，在 StarCoderData 上进行了 1.4T 标记的训练，与 StarCoderBase-15.5B 相比，在不到其一半大小的情况下取得了有竞争力的结果。
• 多种功能：和 CodeGen2 一样，该模型能够进行填充操作，并支持多种编程语言。
• 多模型版本：
  • CodeGen2.5-7B-multi：在 StarCoderData 上训练，遵循 Apache-2.0 许可证。
  • CodeGen2.5-7B-mono：在额外的 Python 标记上进一步训练，遵循 Apache-2.0 许可证。
  • CodeGen2.5-7B-instruct（本仓库）：在 CodeGen2.5-7B-mono 的基础上，在指令数据上进一步训练，仅用于研究目的。

📚 详细文档

模型描述

CodeGen2.5 是一个用于程序合成的自回归语言模型家族。该模型基于 CodeGen2 构建，在 StarCoderData 上进行了 1.4T 标记的训练，与 StarCoderBase-15.5B 相比，在不到其一半大小的情况下取得了有竞争力的结果。和 CodeGen2 一样，该模型能够进行填充操作，并支持多种编程语言。之后，我们在 Python 上进一步训练，然后在指令数据上训练。我们发布了以下所有模型：

• CodeGen2.5-7B-multi：在 StarCoderData 上训练，遵循 Apache-2.0 许可证。
• CodeGen2.5-7B-mono：在额外的 Python 标记上进一步训练，遵循 Apache-2.0 许可证。
• CodeGen2.5-7B-instruct（本仓库）：在 CodeGen2.5-7B-mono 的基础上，在指令数据上进一步训练，仅用于研究目的。

评估结果

我们在 HumanEval 和 HumanEval-Infill 上对模型进行了评估。更多详细信息请参考 博客。

预期用途和局限性

作为一个自回归语言模型，CodeGen2.5 能够从给定的自然语言和编程语言文本中提取特征，并计算它们的可能性。然而，该模型旨在并最擅长程序合成，即根据英文提示生成可执行代码，提示应采用注释字符串的形式。该模型也可以完成部分生成的代码。

归属和其他要求

该模型的预训练数据集仅过滤了允许使用的许可证。尽管如此，该模型可以从数据集中逐字生成源代码。代码的许可证可能要求归属和/或其他特定要求，必须予以遵守。数据提供者 BigCode 提供了一个 搜索索引，您可以通过该索引搜索预训练数据，以确定生成的代码来自何处，并对您的代码进行适当的归属。

伦理考虑

此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。

📄 许可证

该模型的许可证为其他类型。

📚 引用信息

请引用 CodeGen2 论文：

@article{Nijkamp2023codegen2,
  title={CodeGen2: Lessons for Training LLMs on Programming and Natural Languages},
  author={Nijkamp, Erik and Hayashi, Hiroaki and Xiong, Caiming and Savarese, Silvio and Zhou, Yingbo},
  journal={arXiv preprint},
  year={2023}
}