OpenCoder 是一個開放且可重現的程式碼 LLM 系列,包含 1.5B 和 8B 模型,支援英文和中文的聊天功能。

1.5b 8b

2萬 2 個月前

讀我檔案

OpenCoder 是一個開放且可重現的程式碼 LLM 系列,包含 1.5B 和 8B 模型,支援英文和中文兩種語言。OpenCoder 從零開始,使用 2.5 兆個 tokens 進行預訓練,其中 90% 為原始程式碼,10% 為程式碼相關的網路資料,並在超過 450 萬個高品質 SFT 範例上進行監督式微調,最終達到頂級程式碼 LLM 的效能。我們不僅提供模型權重和推論程式碼,還提供可重現的訓練資料、完整的資料處理流程、嚴格的實驗消融結果和詳細的訓練協議。OpenCoder 旨在賦能研究人員進行建構和創新,是您推進程式碼 AI 的開放基礎。

  • 完全開源:OpenCoder 確保完全透明,不僅發布模型權重和即將推出的推論程式碼,還發布完整的訓練資料清理程式碼。此版本包含高品質的合成資料、大量的檢查點以及超過 450 萬個監督式微調 (SFT) 條目的資料集,使 OpenCoder 成為最全面開源的模型之一。
  • 全面的實驗分析:OpenCoder 透過對各種資料清理策略和訓練流程進行廣泛的消融研究來進行嚴格測試,包括檔案層級和儲存庫層級的重複資料刪除實驗,確保對模型效能進行徹底的探索和驗證。
  • 高品質合成資料:OpenCoder 提供完整開發的合成資料生成流程和超過 450 萬個 SFT 資料條目,為模型訓練和評估建立穩健的資料基礎。
  • 卓越的效能:OpenCoder 在多個語言模型基準測試中都取得了優異的效能,使其躋身領先的程式碼開源模型之列。

參考文獻

GitHub

論文

Hugging Face