Granite代码模型：IBM开源的强大代码智能基础模型

Granite代码模型:开启代码智能新纪元

在当今软件驱动的世界中,代码开发效率和质量的提升至关重要。为了应对这一挑战,IBM研究院推出了Granite代码模型系列 - 一组专为代码智能任务设计的开源基础模型。这些模型不仅在多项代码相关任务上展现出卓越的性能,还为企业级AI应用树立了新标杆。让我们深入了解这个令人兴奋的项目。

模型概览:全方位的代码智能助手

Granite代码模型是一系列专门针对代码生成任务(如修复bug、解释代码、编写文档等)设计的解码器模型。这些模型经过116种编程语言的代码训练,在多种代码相关任务上展现出最先进的性能。

Granite代码模型家族主要包含两大类:

Granite代码基础模型:用于代码修复、解释和合成等基础任务的模型。
Granite代码指令模型:通过Git提交记录和人工指令等方式微调的指令跟随模型。

这两类模型都提供了3B、8B、20B和34B参数规模的版本,可适应不同的应用场景。

Granite代码模型系列

卓越优势:全能型代码AI的新标杆

Granite代码模型的主要优势包括:

全能型代码LLM:在代码生成、解释、修复、编辑和翻译等多种任务上都达到了极具竞争力的性能水平,展现了解决多样化编码任务的能力。
可信赖的企业级LLM:所有模型都遵循IBM的AI伦理原则进行训练数据收集,并得到IBM法务团队的指导,确保企业使用的可信度。所有Granite代码模型都以Apache 2.0许可发布,可用于研究和商业用途。

数据与训练:精心设计的数据处理流程

Granite团队对训练数据的处理非常严谨,主要包括以下步骤:

数据收集:结合公开数据集(如GitHub Code Clean、Starcoder数据)、公共代码仓库和GitHub issues。
数据过滤:基于编程语言和代码质量进行筛选。
去重:采用精确和模糊去重策略,移除相似或重复的代码内容。
内容过滤:应用HAP内容过滤器,降低模型生成有害、滥用或亵渎性语言的可能性。
隐私保护:通过替换个人身份信息(如姓名、邮箱、密码等)为对应的标记,保护用户隐私。
安全检查:使用ClamAV扫描所有数据集,识别和移除源代码中的恶意软件实例。

除代码数据外,团队还整理了高质量的自然语言数据集,以提高模型的语言理解和数学推理能力。

预训练与指令微调:两阶段训练策略

Granite代码基础模型的训练采用了两个阶段:

第一阶段(纯代码训练):
- 3B和8B模型:在4万亿个代码token上训练,涵盖116种语言。
- 20B模型:在3万亿个代码token上训练。
- 34B模型:在20B模型的1.6万亿token检查点基础上,经过深度扩展后再训练1.4万亿token。
第二阶段(代码+语言训练):
- 所有模型:在5000亿个token上进行混合训练,其中80%为代码,20%为高质量的自然语言数据。

对于Granite代码指令模型,团队使用了以下数据进行微调:

来自CommitPackFT的代码提交数据。
高质量数学数据集,如MathInstruct和MetaMathQA。
代码指令数据集,包括Glaive-Code-Assistant-v3、Self-OSS-Instruct-SC2等。
高质量语言指令数据集,如HelpSteer和Platypus的开源许可过滤版本。

评估结果:全面超越开源代码模型

Granite团队对模型进行了广泛的评估,包括但不限于HumanEvalPack、MBPP和MBPP+等基准测试。这些测试涵盖了各种常用编程语言(如Python、JavaScript、Java、Go、C++、Rust)的不同编码任务。

结果显示,Granite代码模型在各种模型规模下都优于强大的开源模型。例如,Granite-8B-Code-Base在三项编码任务上的表现超过了Mistral-7B、LLama-3-8B等模型。

Granite代码模型评估结果

如何使用Granite代码模型?

Granite代码模型可通过Hugging Face轻松使用。以下是一个简单的推理示例:

from transformers import AutoModelForCausalLM, AutoTokenizer

device = "cuda"  # 或 "cpu"
model_path = "ibm-granite/granite-3b-code-base-2k"  # 从列表中选择合适的模型

tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path, device_map=device)
model.eval()

input_text = "def generate():"
input_tokens = tokenizer(input_text, return_tensors="pt")

for i in input_tokens:
    input_tokens[i] = input_tokens[i].to(device)

output = model.generate(**input_tokens)
output = tokenizer.batch_decode(output)

for i in output:
    print(i)