🚀 GPT-Neo-125M-APPS

GPT-Neo-125M-APPS是一个在APPS数据集上微调的GPT-Neo-125M模型，专门用于解决编程任务。

🚀 快速开始

⚠️ 重要提示

请参考我们新的 GitHub Wiki，其中详细记录了我们创建GitHub Copilot开源版本的工作。

✨ 主要特性

GPT-Neo-125M-APPS是基于GPT-Neo-125M在APPS数据集上微调得到的模型，专注于解决编程任务。

📦 安装指南

训练此模型的脚本可在 此处 找到。

使用AdamW优化器和具有800个热身步骤的线性衰减学习率调度，对模型进行了5个epoch的训练。要复现训练过程，可以使用以下命令结合上述脚本：

python run_clm_apps.py \
    --output_dir $HOME/gpt-neo-125M-apps \
    --model_name_or_path EleutherAI/gpt-neo-125M \
    --dataset_name $HOME/gpt-code-clippy/data_processing/apps.py \
    --dataset_config_name formatted \
    --do_train --do_eval \
    --block_size="1024" \
    --per_device_train_batch_size="16" \
    --per_device_eval_batch_size="16" \
    --preprocessing_num_workers="16" \
    --learning_rate="8e-5" \
    --warmup_steps="800" \
    --adam_beta1="0.9" \
    --adam_beta2="0.98" \
    --weight_decay="0.1" \
    --overwrite_output_dir \
    --num_train_epochs="5" \
    --logging_steps="50" \
    --eval_steps="2000" \
    --report_to="wandb" \
    --dtype="bfloat16" \
    --save_strategy epoch \
    --gradient_accumulation_steps 2 \

💻 使用示例

基础用法

你可以直接使用文本生成管道来使用此模型。以下示例每次运行时都会生成不同的序列：

from transformers import AutoModelForCausalLM, AutoTokenizer, FlaxAutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("flax-community/gpt-neo-125M-apps")
tokenizer = AutoTokenizer.from_pretrained("flax-community/gpt-neo-125M-apps")

prompt = """
A function to greet user. Given a user name it should say hello
def greet(name):
ANSWER:
""" 

input_ids = tokenizer(prompt, return_tensors='pt').input_ids.to(device)
start = input_ids.size(1)
out = model.generate(input_ids, do_sample=True, max_length=50, num_beams=2, 
                     early_stopping=True, eos_token_id=tokenizer.eos_token_id, )
print(tokenizer.decode(out[0][start:]))

📚 详细文档

模型描述

GPT-Neo-125M-APPS是在APPS数据集上微调的GPT-Neo-125M模型，专门用于解决编程任务。

训练数据

该模型在 自动化编程进度标准（APPS）数据集 上进行训练。该数据集总共包含10,000个编码问题，有131,836个用于检查解决方案的测试用例和232,444个人工编写的真实解决方案。问题可能很复杂，平均每个问题的长度为293.2个单词。数据被均匀地分为训练集和测试集，每个集合有5,000个问题。

训练过程

训练此模型的脚本可在 此处 找到。

使用AdamW优化器和具有800个热身步骤的线性衰减学习率调度，对模型进行了5个epoch的训练。要复现训练过程，可以使用上述命令结合脚本。

预期用途和局限性

使用方法

可以直接使用文本生成管道来使用此模型，示例见“使用示例”部分。

局限性和偏差

• 过度依赖：此模型可能会生成看似合理但不一定正确的解决方案。如果不正确评估生成的代码，可能会导致负面后果，例如引入错误或安全漏洞。因此，用户必须了解使用此语言模型的局限性和潜在负面后果。
• 经济和劳动力市场影响：在大型代码数据集（如本数据集）上训练的大型语言模型能够生成高质量的代码，有可能自动化部分软件开发过程，这可能会对软件开发人员产生负面影响。不过，正如论文中所讨论的，根据 O*NET OnLine 的软件开发人员总结报告所示，开发人员不仅仅是编写软件。
• 偏差：该模型在包含特定格式提示问题的数据上进行训练。如果提示格式与APPS数据集中使用的格式不同，模型的性能可能会变差。

GPT-CC是微调后的GPT-Neo，可能继承了它的偏差和局限性。详情请参阅 GPT-Neo模型卡片。

📄 许可证

本项目采用MIT许可证。