license: bsd-3-clause

CodeGen (CodeGen-Multi 350M)

模型描述

CodeGen是一系列用于程序合成的自回归语言模型，源自论文：A Conversational Paradigm for Program Synthesis，作者包括Erik Nijkamp、Bo Pang、Hiroaki Hayashi等。该模型最初发布于此代码库，包含3种预训练数据变体（NL、Multi、Mono）和4种模型规模变体（350M、2B、6B、16B）。

本仓库包含的检查点在论文中称为CodeGen-Multi 350M，其中"Multi"表示该模型以CodeGen-NL 350M初始化后，进一步在多编程语言数据集上预训练，"350M"指可训练参数数量。

训练数据

该检查点（CodeGen-Multi 350M）首先以CodeGen-NL 350M初始化，然后在BigQuery上预训练，该数据集包含来自GitHub仓库的多编程语言大规模数据。数据总量达1192亿词元，涵盖C、C++、Go、Java、JavaScript和Python。

训练过程

CodeGen使用交叉熵损失进行训练，以最大化序列输入的可能性。该系列模型通过Google的多个TPU-v4-512进行训练，充分利用数据和模型并行技术。更多细节参见论文第2.3节。

评估结果

我们在两个代码生成基准测试（HumanEval和MTPB）上评估模型性能。详情请参阅论文。

预期用途与限制

作为自回归语言模型，CodeGen能够从给定的自然语言和编程语言文本中提取特征，并计算其可能性。但该模型主要面向并最擅长程序合成，即根据英文提示生成可执行代码，提示应以注释字符串形式给出。该模型也能补全部分生成的代码。

使用方法

可通过AutoModelForCausalLM轻松加载该模型：

from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen-350M-multi")
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen-350M-multi")

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))

伦理考量

本版本仅供支持学术论文的研究用途。我们的模型、数据集和代码并非为所有下游用途专门设计或评估。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的常见局限，遵守适用法律，在选择用例时采用最佳实践，特别是可能显著影响人们生活、权利或安全的高风险场景。更多用例指南请参考我们的AUP和AI AUP。

BibTeX引用信息

@article{Nijkamp2022ACP,
  title={A Conversational Paradigm for Program Synthesis},
  author={Nijkamp, Erik and Pang, Bo and Hayashi, Hiroaki and Tu, Lifu and Wang, Huan and Zhou, Yingbo and Savarese, Silvio and Xiong, Caiming},
  journal={arXiv preprint},
  year={2022}
}