CodeGen (CodeGen-Multi 16B)

模型描述

CodeGen是一系列自回归语言模型，用于程序综合，论文标题： A Conversational Paradigm for Program Synthesis ，作者：Erik Nijkamp、Bo Pang、Hiroaki Hayashi、Lifu Tu、Huan Wang、Yingbo Zhou、Silvio Savarese、Caiming Xiong。这些模型最初在 this repository 中发布，使用3种预训练数据变体（NL、Multi、Mono）和4种模型尺寸变体（350M、2B、6B、16B）。

此代码库中包含的检查点在论文中标记为CodeGen-Multi 16B，其中“Multi”表示该模型以CodeGen-NL 16B为初始模型，然后在多种编程语言数据集上进行了进一步的预训练，“16B”表示可训练参数的数量。

训练数据

此检查点（CodeGen-Multi 16B）首先使用CodeGen-NL 16B进行初始化，然后在 BigQuery 上进行了预训练，该数据集是从GitHub代码库中提取的大规模多种编程语言数据集。数据集包含1192亿个标记，包括C、C++、Go、Java、JavaScript和Python。

训练过程

CodeGen使用交叉熵损失进行训练，以最大化顺序输入的可能性。这个模型系列使用Google的多个TPU-v4-512进行训练，利用数据和模型的并行处理。有关详细信息，请参阅 paper 的第2.3节。

评估结果

我们对我们的模型进行了两个代码生成基准测试：HumanEval和MTPB。请参阅 paper 以了解更多细节。

预期使用和限制

作为一个自回归语言模型，CodeGen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，该模型旨在用于程序综合，并且在这方面表现最佳，即根据英语提示生成可执行代码，其中提示应以注释字符串的形式提供。该模型还可以补全部分生成的代码。

如何使用

可以使用AutoModelForCausalLM功能轻松加载此模型：

from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen-16B-multi")
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen-16B-multi")

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))

BibTeX条目和引用信息

@article{Nijkamp2022ACP,
  title={A Conversational Paradigm for Program Synthesis},
  author={Nijkamp, Erik and Pang, Bo and Hayashi, Hiroaki and Tu, Lifu and Wang, Huan and Zhou, Yingbo and Savarese, Silvio and Xiong, Caiming},
  journal={arXiv preprint},
  year={2022}
}