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,支援英文和中文語言的聊天。

1.5b 8b

20K 2 months ago

Readme

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,支援英文和中文語言。OpenCoder 從頭開始,在 2.5 兆個 tokens 上進行預訓練,這些 tokens 由 90% 原始碼和 10% 程式碼相關的網路資料組成,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、嚴謹的實驗消融結果和詳細的訓練協定。OpenCoder 賦予研究人員建構和創新的能力,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,還發布用於訓練的完整資料清理程式碼。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 通過對各種資料清理策略和訓練過程進行廣泛的消融研究進行嚴格測試,包括檔案級和儲存庫級重複資料刪除實驗,確保徹底探索和驗證模型的效能。
  • 高品質合成資料:OpenCoder 提供完全開發的合成資料生成過程和超過 450 萬個 SFT 資料條目,為模型訓練和評估建立穩固的資料基礎。
  • 卓越的效能:OpenCoder 在多個語言模型基準測試中實現了高效能,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