Codet5p 220m

🚀 CodeT5+ 220M

CodeT5+是一个新的开源代码大语言模型家族，采用编码器 - 解码器架构，可灵活在不同模式（即仅编码器、仅解码器和编码器 - 解码器）下运行，以支持广泛的代码理解和生成任务。

🚀 快速开始

本模型可以使用T5ForConditionalGeneration轻松加载，并使用与原始 CodeT5 相同的分词器。

from transformers import T5ForConditionalGeneration, AutoTokenizer

checkpoint = "Salesforce/codet5p-220m"
device = "cuda" # for GPU usage or "cpu" for CPU usage

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = T5ForConditionalGeneration.from_pretrained(checkpoint).to(device)

inputs = tokenizer.encode("def print_hello_world():<extra_id_0>", return_tensors="pt").to(device)
outputs = model.generate(inputs, max_length=10)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
# ==> print "Hello World"

✨ 主要特性

• 多模式灵活运行：CodeT5+ 采用编码器 - 解码器架构，能够在不同模式下灵活运行，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 CodeT5 家族相比，CodeT5+ 通过一系列多样化的预训练任务进行预训练，包括_跨度去噪_、因果语言建模、对比学习_和_文本 - 代码匹配，从而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：采用简单而有效的_计算高效预训练_方法，使用冻结的现成大语言模型（如 CodeGen）初始化模型组件，以高效扩展模型规模。
• 指令微调：经过指令微调，能够与自然语言指令对齐。

📚 详细文档

预训练数据

本模型检查点在 github-code 数据集 的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

此检查点在第一阶段预训练中使用单模态代码数据进行训练，其中包括一系列多样化的预训练任务，如_跨度去噪_和两种变体的_因果语言建模_。更多详细信息请参考论文。

评估结果

CodeT5+ 模型在多种设置（零样本、微调、指令微调）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+ 在许多下游任务中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）
• 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 基准测试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%，甚至超过了闭源的 OpenAI code - cushman - 001 模型。更多详细信息请参考 论文。

📄 许可证

本项目采用 bsd - 3 - clause 许可证。

🔧 技术细节

CodeT5+ 由 Yue Wang*、Hung Le*、Akhilesh Deepak Gotmare、Nghi D.Q. Bui、Junnan Li、Steven C.H. Hoi 等人在论文 CodeT5+: Open Code Large Language Models for Code Understanding and Generation 中提出（* 表示同等贡献）。

📚 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}
}

⚠️ 伦理考量

本次发布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，请参考我们的使用协议和人工智能使用协议。