license: bsd-3-clause

CodeT5+ 16B

模型描述

CodeT5+ 是一个新型开源代码大语言模型家族，采用编码器-解码器架构，可灵活支持多种模式（如仅编码器、仅解码器、编码器-解码器），适用于广泛的代码理解与生成任务。该模型在论文中首次提出：

《CodeT5+: 面向代码理解与生成的开源代码大语言模型》 作者：Yue Wang*、Hung Le*、Akhilesh Deepak Gotmare、Nghi D.Q. Bui、Junnan Li、Steven C.H. Hoi（*表示同等贡献）。

相较于原始CodeT5系列（基础版220M参数，大型版770M参数），CodeT5+通过多样化的预训练任务进行训练，包括片段去噪、因果语言建模、对比学习和文本-代码匹配，从而从单模态代码数据和双模态代码-文本数据中学习丰富表征。此外，该模型采用高效计算预训练方法，利用现成冻结大语言模型（如CodeGen）初始化模型组件，实现高效扩展（2B/6B/16B参数规模），并采用"浅编码器-深解码器"架构。模型还基于Code Alpaca进行指令微调以对齐自然语言指令（参见我们的InstructCodeT5+ 16B版本）。

使用方法

本模型可通过AutoModelForSeq2SeqLM轻松加载，使用与CodeGen相同的分词器：

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

checkpoint = "Salesforce/codet5p-16b"
device = "cuda" # GPU使用或"cpu"用于CPU

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSeq2SeqLM.from_pretrained(checkpoint,
                                              torch_dtype=torch.float16,
                                              low_cpu_mem_usage=True,
                                              trust_remote_code=True).to(device)

encoding = tokenizer("def print_hello_world():", return_tensors="pt").to(device)
encoding['decoder_input_ids'] = encoding['input_ids'].clone()
outputs = model.generate(**encoding, max_length=15)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

预训练数据

本检查点基于github-code数据集去重后的严格许可子集训练。数据预处理时仅保留宽松许可证代码（"mit"、"apache-2"、"bsd-3-clause"、"bsd-2-clause"、"cc0-1.0"、"unlicense"、"isc"）。支持9种编程语言：C、C++、C#、Go、Java、JavaScript、PHP、Python、Ruby。

训练流程

本检查点从现成大语言模型初始化：编码器源自CodeGen-350M-mono，解码器源自CodeGen-16B-mono。第一阶段预训练在单模态代码数据上进行，包含片段去噪和两种因果语言建模变体任务。随后在Python子集上额外训练一个周期以优化Python代码生成能力。详见论文。

评估结果

CodeT5+系列在零样本、微调和指令调优等多种设置下，在广泛的代码理解与生成任务中表现优异：在8个文本-代码检索任务上平均MRR提升3.2，2个行级代码补全任务平均Exact Match提升2.1，2个检索增强代码生成任务平均BLEU-4提升5.8。在MathQA-Python和GSM8K-Python数学编程任务中，CodeT5+十亿级以下参数模型显著优于多个137B参数的大模型。特别是在HumanEval基准的零样本文本-代码生成任务中，InstructCodeT5+ 16B以35.0% pass@1和54.5% pass@10刷新开源模型SOTA，甚至超越闭源的OpenAI code-cushman-001模型。详见论文。

BibTeX引用

@article{wang2023codet5plus,
  title={CodeT5+: Open Code Large Language Models for Code Understanding and Generation},
  author={Wang, Yue and Le, Hung and Gotmare, Akhilesh Deepak and Bui, Nghi D.Q. and Li, Junnan and Hoi, Steven C. H.},
  journal={arXiv preprint},
  year={2023}
}

伦理声明

本版本仅为支持学术论文的研究用途发布。我们的模型、数据集和代码并非针对所有下游用途设计或评估。我们强烈建议用户在部署前评估并解决可能涉及的准确性、安全性和公平性问题。我们鼓励用户考虑AI的普遍局限性，遵守适用法律，在选择应用场景时遵循最佳实践，特别是可能显著影响人们生活、权利或安全的高风险场景。更多使用指南请参考我们的AUP和AI AUP政策。