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：

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}
}