license: bsd-3-clause

CodeT5+ 770M模型

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（包括_纯编码器_、纯解码器_和_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 作者包括王越*、黎雄*、Akhilesh Deepak Gotmare、裴德志、李俊楠、许子衡（*表示同等贡献）。

相较于原始CodeT5系列（CodeT5-base：220M，CodeT5-large：770M），CodeT5+通过多样化的预训练任务（包括_片段去噪_、因果语言建模、对比学习_和_文本-代码匹配）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。该模型采用创新的_计算高效预训练_方法，通过冻结现成大语言模型（如CodeGen）初始化组件，高效扩展模型规模（达2B、6B、16B），并采用"浅编码器-深解码器"架构。此外，模型经过指令微调以对齐自然语言指令（参见我们的InstructCodeT5+ 16B），遵循Code Alpaca方案。

使用方法

本模型可通过T5ForConditionalGeneration轻松加载，使用与原始CodeT5相同的分词器。

from transformers import T5ForConditionalGeneration, AutoTokenizer

checkpoint = "Salesforce/codet5p-770m"
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():<extra_id_0>", return_tensors="pt").to(device)
outputs = model.generate(inputs, max_length=10)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
# ==> 输出 "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。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

本检查点在第一阶段预训练中使用单模态代码数据，包含_片段去噪_和两种_因果语言建模_变体等多样化预训练任务。详见论文。

评估结果

CodeT5+模型在_零样本_、_微调_和_指令微调_等多种设置下，对广泛的代码理解与生成任务进行了全面评估。具体表现为：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，十亿参数规模以下的CodeT5+模型显著优于许多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。

BibTeX引用信息

@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}
}

伦理考量

本次发布仅限学术研究用途。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并解决准确性、安全性和公平性方面的潜在问题。我们鼓励用户充分考虑AI的固有局限，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。具体使用指南请参考我们的AUP和AI AUP政策。