license: bsd-3-clause

CodeT5+ 770M（基于Python进一步调优）

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，可灵活切换不同工作模式（如仅编码器、仅解码器或编码器-解码器组合），以支持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放代码大语言模型》 作者：王越*、黎雄*、Akhilesh Deepak Gotmare、裴德庆、李俊楠、许子衡（*表示共同一作）。

相较于原始CodeT5系列（基础版：220M，大版：770M），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）初始化组件，可高效扩展至2B、6B、16B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）。

使用方法

本模型可通过T5ForConditionalGeneration直接加载，分词器与原始CodeT5一致。

from transformers import T5ForConditionalGeneration, AutoTokenizer

checkpoint = "Salesforce/codet5p-770m-py"
device = "cuda" # 使用GPU或"cpu"使用CPU

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = T5ForConditionalGeneration.from_pretrained(checkpoint).to(device)

inputs = tokenizer.encode("def print_hello_world():", return_tensors="pt").to(device)
outputs = model.generate(inputs, max_length=10)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
# ==>     print('Hello World!')

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，仅保留符合宽松许可证的代码（"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

本检查点首先在第一阶段预训练中基于多语言单模态代码数据训练，包含片段去噪和两种因果语言建模变体任务。随后专门在Python子集上以因果语言建模目标额外训练一个周期，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、微调和指令微调等设置下，在广泛的代码理解与生成任务中表现优异。相较于现有技术，其在多个下游任务实现显著提升：8个文本-代码检索任务（平均MRR +3.2）、2个行级代码补全任务（平均精确匹配率 +2.1）、2个检索增强代码生成任务（平均BLEU-4 +5.8）。在MathQA-Python和GSM8K-Python数学编程任务中，十亿参数以下的CodeT5+模型显著优于许多高达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刷新了开源模型记录，甚至超越闭源的OpenAI code-cushman-001模型。详见论文。

本检查点在HumanEval零样本设置下达到15.5% pass@1，与更大规模模型相当：Incoder 6B（15.2%）、GPT-NeoX 20B（15.4%）、PaLM 62B（15.9%）。

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

本版本仅供学术研究使用。我们的模型、数据集和代码并非为所有下游场景设计或评估。强烈建议用户在部署前评估准确性、安全性和公平性等潜在问题。我们鼓励用户考虑AI的普遍局限性，遵守适用法律，并为高风险场景（模型错误或滥用可能严重影响人类生活、权利或安全的情况）制定最佳实践方案。具体使用指南请参考我们的AUP和AI AUP政策。