CodeGen2.5-7B-instruct

标题： CodeGen2.5: Small, but mighty

作者： Erik Nijkamp *， Hiroaki Hayashi *，Yingbo Zhou，Caiming Xiong

(*平等贡献)

模型描述

CodeGen2.5 是一系列用于程序综合的自回归语言模型。

在 CodeGen2 的基础上构建，该模型在 StarCoderData 上训练了1.4T个标记，与StarCoderBase-15.5B相比，尺寸不足一半的情况下取得了竞争性的结果。

类似于CodeGen2，该模型能够进行补全，并支持多种编程语言。

然后我们进一步在Python上进行训练，然后在指令数据上进行训练。我们将所有的模型发布如下：

• CodeGen2.5-7B-multi ：在StarCoderData上训练。根据Apache-2.0许可证。
• CodeGen2.5-7B-mono ：在附加的Python令牌上进行进一步训练。根据Apache-2.0许可证。
• CodeGen2.5-7B-instruct (此存储库)：在CodeGen2.5-7B-mono基础上使用指令数据进行进一步训练。仅限研究目的。

使用方法

可以使用 AutoModelForCausalLM 功能轻松加载此模型。

先决条件

请安装OpenAI tiktoken进行分词。

pip install tiktoken==0.4.0

因果抽样（代码自动补全）

对于常规的因果抽样，只需给定上下文即可生成补全：

from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen25-7b-instruct", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen25-7b-instruct")

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))

补全抽样

对于补全抽样，我们遵循CodeGen2的格式：

• <mask_N> ：需屏蔽的第N个段。实际上，使用 <mask_1> 表示要采样填充的位置。
• <sep> ：后缀与填充样本之间的分隔符标记。参见下文。
• <eom> ：模型将在补全结束时输出的“End-Of-Mask”标记。您可以使用此标记来截断输出。

例如，如果我们想为函数的以下光标位置生成填充：

def hello_world():
    |
    return name

我们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/codegen25-7b-instruct", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen25-7b-instruct")


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>截断模型输出。

评估结果

我们在HumanEval和HumanEval-Infill上评估了我们的模型。有关详细信息，请参阅 blog 。

预期用途和限制

作为一个自回归语言模型，CodeGen2.5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，该模型适用于程序综合，即根据英语提示生成可执行代码，其中提示应为注释字符串的形式。模型也可以补全部分生成的代码。

归因和其他要求

该模型的预训练数据集仅限制为宽松的许可证。然而，模型可以直接从数据集生成源代码。代码的许可证可能要求归因和/或其他特定要求，必须遵守。数据提供者BigCode提供了一个工具，让您搜索预训练数据以确定生成代码来自何处，并将适当的归因应用于您的代码。

BibTeX条目和引用信息

请引用CodeGen2论文：

@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}
}