本文主要介绍主流代码生成模型,总结了基于代码生成的大语言模型,按照时间顺序排列。
在了解代码大语言模型之前,需要了解代码相关子任务
代码生成
文本生成代码(Text to code):根据自然语言描述生成代码
重构代码(Refactoring code):在不改变其功能的情况下更改源代码的结构,通常是为了使其更加高效、可读且易于维护。
代码到代码的翻译(Code-to-code):将一种编程语言编写的代码转换为另一种同功能编程语言的过程。此过程也称为代码转换、转译、代码迁移或源到源翻译。
模型论文及代码
2020.09.18_CodeBERT
CodeBERT是在2020年提出的一个大型语言模型,旨在通过预训练和微调的方式,增强源代码理解和生成的能力。
数据集Dataset
- Stackdataset:Github code repositories(Python, Java,JavaScript, PHP, Ruby, and Go)
模型框架Model Arc
Natural Language(NL),Programming Language(PL)
Objective 1:Masked Language Modeling(MLM)
Objective 2:Replaced Token Detection(RTD)
CodeSearchNet
Code to NL
CodeSearch
2021_CodeX [未开源]
CodeX是OpenAI 在2021年推出的大型语言模型,通过在多样的编程任务上进行预训练,旨在提升源代码理解和生成的能力。
Key features(model)
Code-davinci-002 -> Max tokens 4000
code-cushman-001->Max tokens 2048
Programming languages
Python ,Javascript,Bash,c#...
Search Code Net
2022.02_AlphaCodeTransformer(seq2seq)
论文题目:Competition-Level Code Generation with AlphaCode
论文地址:2203.07814.pdf (arxiv.org)
代码地址:
Demo:AlphaCode (deepmind.com)
2022_Polyglot
论文题目:Polyglot: Large Language Models of Well-balanced Competence in Multi-languages
代码地址:EleutherAI/polyglot: Polyglot: Large Language Models of Well-balanced Competence in Multi-languages (github.com)
2023.01.27_PAL
论文题目:PAL: Program-aided Language Models
论文地址:[2211.10435] PAL: Program-aided Language Models (arxiv.org)
论文主要内容: 让Code LLM生成代码来解决一些NLP问题!!
摘要
大型语言模型 (LLM) 最近在测试时提供了一些示例(“小样本提示”),展示了执行算术和符号推理任务的令人印象深刻的能力。这种成功很大程度上可以归因于诸如“思维链”之类的提示方法,这些方法使用LLM来理解问题描述,将其分解为步骤,以及解决问题的每个步骤。虽然 LLM 似乎擅长这种逐步分解,但 LLM 经常在解决方案部分犯逻辑和算术错误,即使问题被正确分解。在本文中,我们提出了程序辅助语言模型(PAL):一种新颖的方法,它使用LLM来读取自然语言问题并生成程序作为中间推理步骤,但将求解步骤卸载到运行时,例如Python解释器。在PAL中,将自然语言问题分解为可运行的步骤仍然是LLM的唯一学习任务,而求解则委托给解释器。我们在 BIG-Bench Hard 和其他基准测试的 13 个数学、符号和算法推理任务中展示了神经 LLM 和符号解释器之间的这种协同作用。在所有这些自然语言推理任务中,使用 LLM 生成代码并使用 Python 解释器进行推理会产生比大型模型更准确的结果。例如,使用 Codex 的 PAL 在数学单词问题的 GSM8K 基准测试中实现了最先进的少样本精度,超过了使用思维链的 PaLM-540B,绝对是 15% 的 top-1。我们的代码和数据在此 http URL 上公开提供。
与使用自由格式文本的 CoT 不同,PAL 将解决方案步骤卸载到编程运行时,例如 python 解释器。
2023_Codegen2
CodeGen2是Salesforce开发的,可以进行infilling,并且支持更多的编程语言。这里的infilling应该是在插入代码的含义。
2023_Codet5+
Salesforce的CodeT5 + 在指令调优上的效果,以更好地使模型与自然语言指令保持一致。
模型框架(Model Architecture)
方法(Method)
Span Denoising
Causal Language Modeling (CLM)
Text-Code Contrastive Learning
Text-Code Matching
Text-Code Causal LM
2023_SELF-DEBUGGING
Google→ SELF-DEBUGGING
2023_StarCoder
StarCoder是HuggingFace在BigCode基于GitHub数据训练的一个代码补全大模型。可以实现一个方法或者补全一行代码。
15.5B LLM for code with 8k context and trained only on permissive data in 80+ programming languages:
Decoder-only Transformer with Fillin-the Middle,Multi-Query-Attention,and leaned absolute position embeddings.
Pretrainmodel Size : 64GB → BigCode OpenRAIL-M v1
2023.7.18_LLAMA2
Meta→ 2023_LLAMA2
2023.7_CodeGeeX2
2023.8.8_StableCode
Announcing StableCode — Stability AI
stabilityai/stablecode-instruct-alpha-3b · Hugging Face
Based on Bigcode,Instruction and response
2023.8.24_Code Llama
论文题目:Code Llama: Open Foundation Models for Code
论文地址:[2308.12950] Code Llama: Open Foundation Models for Code (arxiv.org)
代码地址:GitHub - facebookresearch/codellama: Inference code for CodeLlama models
官方博客:Code Llama: Llama 2 learns to code (huggingface.co)
code llama就是在llama2模型的基础上,利用代码数据进行训练和微调,提高llama2在代码生成上的能力。
code llama提供了三种模型,每种模型包含7B,13B,34B三个尺寸,支持多种编程语言,如Python, C++, Java, PHP, Typescript (Javascript), C#, Bash等。
Code Llama,代码生成的基础模型;
Code Llama-Python,单独针对于python的模型;
Code Llama-Instruct,根据人工指令微调的模型。
主要讲解论文对应段落
2.3.代码补全(Infilling)
代码补全就是根据代码的上下文预测代码缺失的部分,比如在IDE中,对鼠标位置的代码自动完成,文档自动生成等。
将训练的文本序列一部分移动到结尾,然后自回归重新排序进行训练。
将文本分成<prefix>,<middle>和<suffix>三部分(前,中,后),然后按2种方式排列。
PSM:即prefix,suffix,middle的顺序,结构如下图:
编辑
SPM:即suffix,prefix,middle的顺序,如下
<SUF>○Enc(suffix)○<PRE>○Enc(prefix)○<MID>○Enc(middle)
训练时样本一半按PSM格式,一半按SPM格式。
2.4.微调长上下文(long context fine-tuning (LCFT))
从llama2的4096token输入改为16384token输入
为了将训练成本限制在微调,参考RoPE线性插值的思路,只不过这里没有采用插值,而是修改注意力的衰减周期。
2.5.策略微调(Instruction fine-tuning)
对于指令微调,最重要的还是构建更好的数据集。
专有数据集(Proprietary dataset)
指令数据集(self-instruct dataset)
2023.08.27_WizardCoder
Microsoft→WizardCoder
代码地址:https://github.com/nlpxucan/WizardLM/tree/main/WizardCoder
Demo:WizardCoder-Python-34B-V1.0
WizardLM(WizardLM: An Instruction-following LLM Using Evol-Instruct)
Instruction Evolver :
Instruction Eliminator
Evol-Instruct(Focuses on open-domain instruction data)
Fine-tune Starcoder-15B based on WizardLM
2024.1.25_DeepSeekCoder
论文:DeepSeek-Coder: When the Large Language Model Meets Programming -- The Rise of Code Intelligence
DeepSeek-Coder是开源代码模型,大小从 1.3B 到 33B 不等,在 2 万亿个token上从头开始训练。这些模型在高质量的项目级代码语料库上进行了预训练,并采用具有 16K 窗口的填空任务来增强代码生成和填充。论文表明,DeepSeek-Coder 不仅在多个基准测试的开源代码模型中实现了最先进的性能,而且还超越了现有的闭源模型,如 Codex 和 GPT-3.5。
2024.11.12V3_Qwen2.5-Coder
论文:Qwen2.5-Coder Technical Report
论文地址:https://arxiv.org/abs/2409.12186
论文代码:https://github.com/QwenLM/Qwen2.5-Coder
阿里巴巴的Qwen2.5-Coder 是特定于代码的 Qwen 大型语言模型(以前称为 CodeQwen)的最新系列。截至目前,Qwen2.5-Coder 已覆盖 0.5、1.5、3、7、14、320 亿个参数的六大主流模型大小,满足不同开发者的需求。Qwen2.5-Coder 在 CodeQwen1.5 的基础上带来了以下改进:
在代码生成、代码推理和代码修复方面有显著改进。基于强大的 Qwen2.5,我们将训练代币扩展到 5.5 万亿,包括源代码、文本代码接地、合成数据等。Qwen2.5-Coder-32B 已成为当前最先进的开源 codeLLM,其编码能力与 GPT-4o 相匹配。
为实际应用程序(如 Code Agent)提供更全面的基础。不仅提高了编码能力,而且保持了其在数学和一般能力方面的优势。
长上下文支持高达 128K 个令牌。
2025.01.07V3_OpenCodeInterpreter
论文:OpenCodeInterpreter: Integrating Code Generation with Execution and Refinement将代码生成与执行和优化集成
论文地址:https://arxiv.org/pdf/2402.14658
论文代码:https://github.com/OpenCodeInterpreter/OpenCodeInterpreter
DEMO:https://opencodeinterpreter.github.io/
SOTA模型
想要了解更多内容,可在小程序搜索🔍AI Pulse,获取更多最新内容。
参考文献
【1】Big Code Models Leaderboard - a Hugging Face Space by bigcode