模型:

Salesforce/codegen2-7B

英文

CodeGen2 (CodeGen2-7B)

模型描述

CodeGen2(CodeGen2-7B)是一系列自回归语言模型,用于程序合成,由Erik Nijkamp *,Hiroaki Hayashi*,Caiming Xiong,Silvio Savarese和Yingbo Zhou在论文中介绍。

与原始的CodeGen模型系列(即CodeGen1)不同,CodeGen2能够进行填充,并支持更多的编程语言。

发布了四种模型大小:1B,3.7B,7B,16B。

如何使用

可以使用AutoModelForCausalLm功能轻松加载此模型。

因果采样

对于常规的因果采样,只需基于上下文生成完成结果即可:

from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen2-7B")
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen2-7B", trust_remote_code=True, revision="main")

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,我们引入了三种新的特殊标记类型:

  • <mask_N>:要被屏蔽的第N个片段。在实践中,使用<mask_1>在要采样填充的位置上。
  • <sep>:后缀和填充样本之间的分隔符标记。见下文。
  • <eom>:填充结束的标记,模型将在填充结束时输出。您可以使用此标记截断输出。

例如,如果我们想为下面函数中的光标位置生成填充样本:

def hello_world():
    |
    return name

我们可通过以下方式构建模型的输入:

  • 将<mask_1>标记插入到光标位置处
  • 追加<sep>标记以表示边界
  • 插入另一个<mask_1>以指示我们要填充的掩码
  • 最终的片段如下所示:

    from transformers import AutoTokenizer, AutoModelForCausalLM
    tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen2-7B")
    model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen2-7B", trust_remote_code=True, revision="main")
    
    
    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):])
    

    您可能希望使用<eom>截断模型的输出。

    训练数据

    此检查点是在 the deduplicated version of the Stack dataset (v1.1) 的更严格的允许子集上进行训练的。支持的语言(和框架)如下:c,c ++,c-sharp,dart,go,java,javascript,kotlin,lua,php,python,ruby,rust,scala,shell,sql,swift,typescript,vue。

    训练过程

    CodeGen2使用交叉熵损失进行训练,以最大化顺序输入的概率。输入序列有两种格式:(1)因果语言建模和(2)文件级别的范围损坏。有关更多详细信息,请参阅论文。

    评估结果

    我们在HumanEval和HumanEval-Infill上评估了我们的模型。有关更多详细信息,请参阅 paper

    预期用途和局限性

    CodeGen2作为一种自回归语言模型,能够从给定的自然语言和编程语言文本中提取特征,并计算它们的概率。然而,该模型的预期和最佳用途是程序合成,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。该模型也可以完成部分生成的代码。

    BibTeX条目和引文信息

    @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}
    }