CodeGen2.5-7B-mono

标题： CodeGen2.5: Small, but mighty

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

(*等同贡献)

模型描述

CodeGen2.5 是一个用于程序合成的自回归语言模型家族。

在 CodeGen2 的基础上构建，该模型在 StarCoderData 上进行了1.4T令牌的训练，与StarCoderBase-15.5B相比，尺寸减少了不到一半，但结果相当竞争。

像CodeGen2一样，此模型能够填充，并支持多种编程语言。

然后我们进一步在Python上进行训练，然后是在指令数据上进行训练。我们按照以下方式发布所有模型：

• CodeGen2.5-7B-multi：在StarCoderData上进行训练。根据Apache-2.0许可证。
• CodeGen2.5-7B-mono (此存储库)：在其他Python令牌上进行了更进一步的训练。根据Apache-2.0许可证。
• CodeGen2.5-7B-instruct：在CodeGen2.5-7B-mono上进一步训练以获取指令数据。仅供研究使用。

如何使用

可以使用AutoModelForCausalLM功能轻松加载此模型。

先决条件

请安装OpenAI tiktoken进行标记。

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，只需给出上下文生成补全即可：

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

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))

填充抽样

对于填充抽样，我们遵循CodeGen2的格式：

• ：第N个要掩盖的片段。实际上，在想要对其进行填充的位置使用。
• ：后缀和填充样本之间的分隔符令牌。见下文。
• ：“结束-标记”令牌，在填充结束时模型将输出。您可以使用此令牌截断输出。

例如，如果我们要对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造模型的输入：

最终的片段如下所示：

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


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):])

您可能想使用截断模型输出。

评估结果

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

预期的使用和限制

作为自回归语言模型，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，该模型适用于程序合成，并在这方面表现最佳，即根据英文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。该模型还可以完成部分生成的代码。

归属和其他要求

模型的预训练数据集仅针对允许的许可证进行了筛选。但是，该模型可以从数据集中逐字生成源代码。代码的许可证可能需要归属和/或其他特定要求，必须予以尊重。数据提供者BigCode提供了一个 search index ，可让您搜索预训练数据，确定生成的代码来自何处，并对您的代码应用正确的归属。

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}
}