CodeGen (CodeGen-Multi 6B)

模型描述

CodeGen是一系列用于程序综合的自回归语言模型，论文标题为： A Conversational Paradigm for Program Synthesis ，作者为Erik Nijkamp、Bo Pang、Hiroaki Hayashi、Lifu Tu、Huan Wang、Yingbo Zhou、Silvio Savarese、Caiming Xiong。该模型最初发布在 this repository 中，有3个预训练数据变种（NL，Multi，Mono）和4个模型规模变种（350M，2B，6B，16B）。

此存储库中的检查点在论文中被标记为CodeGen-Multi 6B，其中“Multi”表示该模型以CodeGen-NL 6B为初始化，并在包含多种编程语言数据集上进行进一步预训练，“6B”指的是可训练参数的数量。

训练数据

此检查点（CodeGen-Multi 6B）首先以CodeGen-NL 6B为初始化，然后在 BigQuery 上进行了预训练，这是来自GitHub存储库的一个包含多种编程语言的大规模数据集。该数据集包含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。该模型系列使用Google的多个TPU-v4-512进行训练，利用数据和模型的并行性。有关详细信息，请参阅 paper 的第2.3节。

评估结果

我们在两个代码生成基准上评估我们的模型：HumanEval和MTPB。有关详细信息，请参阅 paper 。

预期用途和限制

作为一种自回归语言模型，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，该模型的预期用途是程序综合，即在给定英文提示的情况下生成可执行代码，其中提示应以注释字符串的形式提供。该模型也可以完成部分生成的代码。

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-6B-multi")
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen-6B-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}
}