🚀 CodeGemma

CodeGemma是基于Gemma构建的轻量级开源代码模型集合，提供了不同参数规模的变体，可用于代码补全、代码生成、代码对话等多种编程相关任务，为开发者提供了强大的代码辅助能力。

模型链接

• 模型页面：CodeGemma
• 资源与技术文档：
  • 技术报告
  • 负责任的生成式AI工具包
• 使用条款：条款
• 作者：Google

✨ 主要特性

CodeGemma模型具有以下特点：

• 多任务支持：支持代码补全、自然语言到代码的生成、代码对话和指令跟随等多种任务。
• 多种参数变体：提供20亿和70亿参数的预训练变体，以及70亿参数的指令调优变体，满足不同场景的需求。
• 高性能表现：在多个编码和自然语言基准测试中表现出色。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

代码生成

from transformers import GemmaTokenizer, AutoModelForCausalLM

tokenizer = GemmaTokenizer.from_pretrained("google/codegemma-1.1-7b-it")
model = AutoModelForCausalLM.from_pretrained("google/codegemma-1.1-7b-it")

input_text = "Write me a Python function to calculate the nth fibonacci number."
input_ids = tokenizer(input_text, return_tensors="pt")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

聊天模板

from transformers import AutoTokenizer, AutoModelForCausalLM
import transformers
import torch

model_id = "google/codegemma-1.1-7b-it"
dtype = torch.bfloat16

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    device_map="cuda",
    torch_dtype=dtype,
)

chat = [
    { "role": "user", "content": "Write a hello world program" },
]

prompt = tokenizer.apply_chat_template(chat, tokenize=False, add_generation_prompt=True)

高级用法

inputs = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt")
outputs = model.generate(input_ids=inputs.to(model.device), max_new_tokens=150)

📚 详细文档

输入输出

• 输入：
  • 预训练模型变体：代码补全和生成场景的代码前缀和/或后缀，或自然语言文本或提示。
  • 指令调优模型变体：自然语言文本或提示。
• 输出：
  • 预训练模型变体：中间填充代码补全、代码和自然语言。
  • 指令调优模型变体：代码和自然语言。

模型数据

训练数据集

以Gemma为基础模型，CodeGemma 2B和7B预训练变体在额外的5000 - 10000亿个主要为英语的令牌数据上进行进一步训练，这些数据来自公开可用的代码库、开源数学数据集和合成生成的代码。

训练数据处理

采用了以下数据预处理技术：

• FIM预训练：CodeGemma模型专注于中间填充（FIM）任务，支持PSM和SPM模式，FIM率为80% - 90%，PSM/SPM比例为50 - 50。
• 依赖图和单元测试打包：为了提高模型与实际应用的对齐性，在项目/代码库级别构建训练示例，采用依赖图打包和单元测试词法打包技术。
• 文档拆分：开发了一种将文档拆分为前缀、中间和后缀的新技术，使后缀从更符合语法的自然点开始。
• 安全过滤：与Gemma类似，部署了严格的安全过滤，包括过滤个人数据、CSAM过滤和其他基于内容质量和安全的过滤。

实现信息

硬件

CodeGemma使用最新一代的张量处理单元（TPU）硬件（TPUv5e）进行训练。

软件

使用JAX和ML Pathways进行训练。

评估信息

评估方法

在多个领域的各种学术基准上对CodeGemma进行评估：

• 代码补全基准：HumanEval单行和多行填充。
• 代码生成基准：HumanEval、MBPP、BabelCode（C++、C#、Go、Java、JavaScript、Kotlin、Python、Rust）。
• 问答：BoolQ、PIQA、TriviaQA。
• 自然语言：ARC - Challenge、HellaSwag、MMLU、WinoGrande。
• 数学推理：GSM8K、MATH。

评估结果

编码基准

自然语言基准

伦理与安全

评估方法

评估方法包括结构化评估和相关内容政策的内部红队测试。红队测试由多个不同团队进行，每个团队有不同的目标和人工评估指标。这些模型在多个与伦理和安全相关的类别上进行评估，包括：

• 内容安全和代表性危害的人工评估：更多评估方法细节见Gemma模型卡片。
• 网络攻击能力测试：重点测试自主黑客能力，确保潜在危害得到限制。

评估结果

伦理和安全评估结果在可接受的阈值范围内，符合内部政策，如儿童安全、内容安全、代表性危害、记忆和大规模危害等类别。更多细节见Gemma模型卡片。

模型使用与限制

预期用途

Code Gemma模型有广泛的应用，不同的IT和PT模型有不同的用途：

• 代码补全：PT模型可用于通过IDE扩展完成代码。
• 代码生成：IT模型可用于生成代码，有无IDE扩展均可。
• 代码对话：IT模型可支持代码讨论的对话界面。
• 代码教育：IT模型支持交互式代码学习体验，有助于语法纠正或提供编码练习。

已知限制

大语言模型（LLMs）基于其训练数据和技术本身存在局限性。更多LLMs局限性细节见Gemma模型卡片。

伦理考虑与风险

大语言模型（LLMs）的开发引发了一些伦理问题。在这些模型的开发过程中，我们仔细考虑了多个方面。更多模型细节请参考Gemma模型卡片中的相关讨论。

优势

在发布时，与同等规模的模型相比，这个模型家族提供了高性能的、专注于开源代码的大语言模型实现，从一开始就为负责任的AI开发而设计。使用本文档中描述的编码基准评估指标，这些模型在性能上优于其他同等规模的开源模型。

📄 许可证

本项目使用的许可证为 gemma。