LLM | 一些开源的AI代码生成模型调研及总结【20240130更新】_llm extractum

本文主要介绍主流代码生成模型，总结了基于代码生成的开源大语言模型，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。

概述

- 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。

- CodeX是在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。

- CodeGen2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。

- 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。

- StarCoder是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。 

2020.09.18_CodeBERT

论文地址：2002.08155.pdf (arxiv.org)

• Dataset

  • Stackdataset:Github code repositories(Python, Java,JavaScript, PHP, Ruby, and Go)

• 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]

OpenAI → CodeX [paper]

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_AlphaCode

Transformer(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)

Demo

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)

相关论文

论文题目：PolyLM: An Open Source Polyglot Large Language Model

论文地址：2307.06018.pdf (arxiv.org)

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

Salesforce→ Codegen2 [paper]

2023_Codet5+

Salesforce→ Codet5+ [paper][code]

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

[paper]

2023_StarCoder

HuggingFace→ StarCoder [paper]

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

VSCode Extension

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。

参考【9】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：

 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 [paper] [code]

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)

  • Evol-Instruct

    • Instruction Evolver :
    • Instruction Eliminator

    (Focuses on open-domain instruction data)

• Fine-tune Starcoder-15B based on WizardLM

2024.1.25_DeepSeekCoder

论文：[2401.14196] DeepSeek-Coder: When the Large Language Model Meets Programming -- The Rise of Code Intelligence (arxiv.org)

Demo：DeepSeek Coder 

 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。

参考文献

【1】 【llm大语言模型】code llama详解与应用 - 知乎 (zhihu.com)

【2】浅谈LLM的长度外推 - 知乎 (zhihu.com) 

【3】LLMs之Code：Code Llama的简介(衍生模型如Phind-CodeLlama/WizardCoder)、安装、使用方法之详细攻略-CSDN博客 【4】chinese-llama-plus-lora-13b - LLM Explorer (extractum.io)

【5】论文翻译PAL: Program-aided Language Models - 简书 (jianshu.com)

【6】大语言模型（LLM）论文调研整理3 - 知乎 (zhihu.com)

其他语言

【7】POLYGLOT-KO 다운로드 및 예제. KoAlpaca과 합작해 만든 LLM모델이라고 한다. | by Lyan | Medium

【8】 Big Code Models Leaderboard - a Hugging Face Space by bigcode

【9】2207.14255.pdf (arxiv.org) 

【10】【llm大语言模型】一文看懂llama2(原理,模型,训练) - 知乎 (zhihu.com)