推薦語：

近期，代碼的大型語言模型 (LM)在完成代碼和從自然語言描述合成代碼方面顯示出巨大的潛力。然而，當(dāng)前最先進(jìn)的代碼 LM（例如 Codex (Chen et al., 2021)）尚未公開，留下了許多關(guān)于其模型和數(shù)據(jù)設(shè)計決策的問題。

我們的目標(biāo)是通過對各種編程語言中最大的現(xiàn)有模型的系統(tǒng)評估來填補(bǔ)其中的一些空白：Codex、GPT-J、GPT-Neo、GPT-NeoX-20B 和 CodeParrot。盡管 Codex 本身不是開源的，但我們發(fā)現(xiàn)，針對自然語言建模，現(xiàn)有的開源模型確實(shí)在某些編程語言中取得了接近的結(jié)果。我們進(jìn)一步確定了一個重要的缺失部分，即專門在多語言代碼語料庫上訓(xùn)練的大型開源模型。我們發(fā)布了一個新模型 PolyCoder，它具有基于 GPT-2 架構(gòu)的 2.7B 參數(shù)，該模型在單臺機(jī)器上使用 12 種編程語言的 249GB 代碼進(jìn)行了訓(xùn)練。在 C 編程語言中，PolyCoder 優(yōu)于包括 Codex 在內(nèi)的所有模型。我們訓(xùn)練有素的模型是開源的，可在此 https URL 上公開獲得，這使得該領(lǐng)域的未來研究和應(yīng)用成為可能。

—— MobTech袤博科技資深java開發(fā)工程師 零零發(fā)

比Codex還會寫C語言的AI代碼生成模型，現(xiàn)在開源了！

這段時間，用AI寫代碼可以說是大火，其中最著名的要屬OpenAI的Codex和DeepMind的AlphaCode。

基于Codex的Copilot

然而，這兩個AI模型，全都沒有開源：其中AlphaCode只給出了一些測試樣例，而Codex只開放了API。

為此，來自CMU的幾個研究人員，用GPT-2搞出了一個名叫PolyCoder的AI代碼生成模型，而且還是開源的。

據(jù)研究人員表示，雖然PolyCoder最大只有27億參數(shù)（相比Codex有120億參數(shù)），但它用C語言寫出來的代碼，比Codex的效果還要好。

這里面究竟有什么秘訣？

用12種編程語言代碼集訓(xùn)練

首先來看訓(xùn)練用的數(shù)據(jù)集，這也是PolyCoder的最大特點(diǎn)之一。

此前，包括Codex、CodeParrot等AI代碼生成模型，主要都是基于Python語言的代碼來訓(xùn)練。

例如Codex的評估數(shù)據(jù)集之一HumanEval，評估的也是生成Python代碼的效果。

相比之下，PolyCoder采用了多種編程語言代碼集來訓(xùn)練，一共有12種：

C、C#、C++、Go、Java、JavaScript、PHP、Python、Ruby、Rust、Scala和TypeScript。

其中，C語言的代碼量是最多的，達(dá)到了221GB；而Python代碼的數(shù)據(jù)量比Codex和CodeParrot用得都要少。

這里PolyCoder用的是GitHub上的公開代碼，主要選取的是各種編程語言中比較受歡迎的庫，每個庫至少有50 Stars。據(jù)研究人員表示，每種編程語言庫的Stars總數(shù)加起來不超過25k，以避免模型生成的代碼效果太過于傾斜最流行的編程語言（通常編程語言越流行，庫的Stars就越多）。

通過提取庫中的文件、經(jīng)過簡單處理（包括消除重復(fù)代碼）后，一共篩選出大約254GB的數(shù)據(jù)用于訓(xùn)練。

然后是預(yù)訓(xùn)練的方法。

語言模型的預(yù)訓(xùn)練方法通常有三種。第一種是自左向右的語言模型，根據(jù)上文預(yù)測下文，比較適用于代碼生成

等；第二種是掩蔽語言模型，基于上下文預(yù)測屏蔽片段，比較適合代碼分類等；第三種是編解碼器模型，比較適用于

代碼注釋等任務(wù)。

這里PolyCoder主要采用的是第一種預(yù)訓(xùn)練方法。

相比于同樣采用GPT-2訓(xùn)練的CodeParrot和Codex，PolyCoder在超參數(shù)設(shè)置上也稍微有一些差異：

PolyCoder一共提供了三種不同的模型，分別有27億參數(shù)、4億參數(shù)和1.6億參數(shù)，研究人員可以根據(jù)自身需求和不同的訓(xùn)練能力來選取合適的模型。

那么，最終訓(xùn)練出來的AI模型，代碼生成效果如何？

C語言寫得尤其好，但Python不行

研究人員將PolyCoder與已有的AI代碼生成模型進(jìn)行了對比。由于AlphaCode不好比較

（接口沒開放）

，所以研究人員主要分析了下面這些模型，包括GPT-Neo、CodeParrot和Codex等。其中藍(lán)色的是開源的，橙色的是沒開源的：

從參數(shù)量來看，PolyCoder并不是最頂尖的，最大的27億參數(shù)模型也只有Codex的四分之一不到。研究人員先是用語言模型評估常用的困惑度對一系列模型進(jìn)行了比較。

困惑度（Perplexity），用于衡量語言模型（LM）的好壞。困惑度越低，語言模型面對代碼感到困惑的程度就越低，模型生成效果越好。

從圖中來看，PolyCoder在C語言中意外取得了最好的效果（困惑度最低）。

用大量C語言訓(xùn)練PolyCoder的結(jié)果說明，即使模型整體原理不變（基于GPT-2），單純改變訓(xùn)練用的代碼集，也能訓(xùn)練出擅長不同語言風(fēng)格的AI代碼生成模型。可惜的是，從其他語言來看，生成的效果就完全沒辦法和Codex相比了：

例如，在主要用于評估Python代碼的HumanEval上，PolyCoder的能力遠(yuǎn)不如Codex好：

據(jù)論文分析，這可能是Python代碼數(shù)據(jù)量、模型參數(shù)量不足等原因?qū)е碌摹?/p>

此外，作者們也提到，做出PolyCoder的目的主要還是為了開源一個AI代碼生成模型，讓更多人參與研究和使用。

目前代碼已經(jīng)開源，無論是直接拿來用，還是試著在它的基礎(chǔ)上開發(fā)新模型都可以。

感興趣的小伙伴可以上手一試了~

審核編輯 黃昊宇