BigCode 是由 Hugging Face 和 ServiceNow 共同领导的开放式科学合作项目，该项目致力于开发负责任的代码大模型。
StarCoder 简介StarCoder 和 StarCoderBase 是针对代码的大语言模型 (代码 LLM)，模型基于 GitHub 上的许可数据训练而得，训练数据中包括 80 多种编程语言、Git 提交、GitHub 问题和 Jupyter notebook。与 LLaMA 类似，我们基于 1 万亿个词元训练了一个约 15B 参数的模型。此外，我们还针对一个 35B 词元的 Python 数据集对 StarCoderBase 模型进行了微调，从而获得了一个我们称之为 StarCoder 的新模型。
(资料图片仅供参考)
我们发现 StarCoderBase 在流行的编程基准测试中表现优于现有其他开源的代码 LLM，同时与闭源模型相比，如来自 OpenAI 的 code-cushman-001(早期版本的 GitHub Copilot 背后的原始 Codex 模型)，其表现也相当甚至超过了闭源模型的表现。凭借超过 8,000 个词元的上下文长度，StarCoder 模型可以处理比任何其他开源 LLM 更多的输入，从而可以赋能更广泛的有趣应用。例如，通过用多轮对话来提示 StarCoder 模型，我们可以让它们充当我们的技术助理。此外，这些模型还可用于自动补全代码、根据指令修改代码以及用自然语言解释代码片段等任务。
为了实现开源模型的安全发布，我们采取了一系列的措施，包括改进了 PII (Personally Identifiable Information，个人身份信息) 编辑流水线、对归因跟踪工具进行了创新，并使用改进的 OpenRAIL 许可证发布 StarCoder。更新后的许可证简化了公司将模型集成到其产品中所需的流程。我们相信，凭借其强大的性能，StarCoder 模型将赋能社区将其应用或适配至广泛的应用场景和产品中。
评估我们在不同的测试基准上对 StarCoder 及其他几个与其类似的模型进行了深入的评估。其中之一测试基准是 HumanEval，这是一个比较流行的 Python 基准测试，它主要测试模型是否可以根据函数的签名和文档来编写函数。我们发现 StarCoder 和 StarCoderBase 在 HumanEval 上的表现均优于最大的模型，包括 PaLM、LaMDA 和 LLaMA，尽管它们尺寸要小得多。同时，它们的性能还优于 CodeGen-16B-Mono 和 OpenAI 的 code-cushman-001 (12B) 模型。我们还注意到该模型会生成 #Solution here这样的注释代码，这可能是因为此类代码通常是训练数据中代码习题的一部分。为了强制模型生成一个实际的解决方案，我们添加了提示词
| 模型 | HumanEval | MBPP |
|---|---|---|
| LLaMA-7B | 10.5 | 17.7 |
| LaMDA-137B | 14.0 | 14.8 |
| LLaMA-13B | 15.8 | 22.0 |
| CodeGen-16B-Multi | 18.3 | 20.9 |
| LLaMA-33B | 21.7 | 30.2 |
| CodeGeeX | 22.9 | 24.4 |
| LLaMA-65B | 23.7 | 37.7 |
| PaLM-540B | 26.2 | 36.8 |
| CodeGen-16B-Mono | 29.3 | 35.3 |
| StarCoderBase | 30.4 | 49.0 |
| code-cushman-001 | 33.5 | 45.9 |
| StarCoder | 33.6 | 52.7 |
| StarCoder-Prompted | 40.8 | 49.5 |
StarCoder 的一个有趣方面是它是多语言的，因此我们在 MultiPL-E 上对其进行了评估，MultiPL-E 是 HumanEval 的多语言扩展版。我们观察到 StarCoder 在许多编程语言上与 code-cushman-001的表现相当甚至更优。在 DS-1000 数据科学基准测试中，它以明显优势击败了 code-cushman-001以及所有其他开源模型。好了，我们来看看除了代码补全之外，StarCoder 还能做些什么！
经过详尽的评估，我们已经知道 StarCoder 非常擅长编写代码。我们还想测试它是否可以用作技术助理，毕竟它的训练数据中有大量的文档和 GitHub 问题。受 Anthropic 的 HHH 提示 的启发，我们构建了一个 技术助理提示。令人惊喜的是，仅凭提示，该模型就能够充当技术助理并回答与编程相关的问题！
训练数据该模型是在 The Stack 1.2 的一个子集上训练的。该数据集仅包含许可代码，它还包含一个退出流程，以便代码贡献者可以从数据集中删除他们的数据 (请参见 Am I in The Stack)。此外，我们从训练数据中删除了个人身份信息，例如姓名、密码和电子邮件地址。
我们还发布了……除了模型，我们还发布了一系列其他资源和应用演示:
模型权重，包括具有 OpenRAIL 许可证的 checkpoints所有数据预处理和训练代码，许可证为 Apache 2.0对模型进行全面评估的工具用于训练的删除掉 PII 信息的新数据集，以及用于评估 PII 信息删除效果的代码用于训练的预处理过的数据集用于在数据集中查找生成代码出处的代码归因工具链接模型论文: 关于 StarCoder 的技术报告。GitHub: 你可以由此获得有关如何使用或微调 StarCoder 的所有信息。StarCoder: 基于 Python 数据集进一步微调 StarCoderBase 所得的模型。StarCoderBase: 基于来自 The Stack 数据集的 80 多种编程语言训练而得的模型。StarEncoder: 在 The Stack 上训练的编码器模型。StarPii: 基于 StarEncoder 的 PII 检测器。工具和应用演示StarCoder Chat: 和 StarCoder 聊天！VSCode Extension: 使用 StarCoder 补全代码的 VSCode 插件！StarCoder Playground: 用 StarCoder 写代码！StarCoder Editor: 用 StarCoder 编辑代码！数据与治理StarCoderData: StarCoder 的预训练数据集。Tech Assistant Prompt: 使用该提示，你可以将 StarCoder 变成技术助理。Governance Card: 有关模型治理的卡片。StarCoder License Agreement: 该模型基于 BigCode OpenRAIL-M v1 许可协议。StarCoder Search: 对预训练数据集中的代码进行全文搜索。StarCoder Membership Test: 快速测试某代码是否存在于预训练数据集中。你可以在 huggingface.co/bigcode 找到所有资源和链接！
英文原文: https://huggingface.co/blog/starcoder
原文作者: Leandro von Werra，Loubna Ben Allal
译者: Matrix Yao (姚伟峰)，英特尔深度学习工程师，工作方向为 transformer-family 模型在各模态数据上的应用及大规模模型的训练推理。
审校/排版: zhongdongy (阿东)
关键词：
营业执照公示信息