OpenCoder 是一個開放且可重現的程式碼大型語言模型系列,其中包含 1.5B 和 8B 模型,支援英文和中文語言的聊天功能。

1.5b 8b

26.2K 3 個月前

讀我檔案

OpenCoder 是一個開放且可重現的程式碼大型語言模型系列,其中包含 1.5B 和 8B 模型,支援英文和中文兩種語言。OpenCoder 從零開始,在包含 90% 原始碼和 10% 程式碼相關網路資料的 2.5 兆個 tokens 上進行預訓練,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大型語言模型的效能。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、嚴謹的實驗消融研究結果以及詳細的訓練協議。OpenCoder 致力於賦能研究人員進行建構和創新,是您推進程式碼人工智慧的開放基礎。

  • 完全開源:OpenCoder 通過發布模型權重、即將發布的推論程式碼以及完整的訓練資料清理程式碼,確保完全透明。此版本包含高品質合成資料、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 成為目前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流程進行廣泛的消融研究,包括檔案級和儲存庫級去重實驗,進行嚴格的測試,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固的資料基礎。
  • 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,使其躋身程式碼領域領先的開源模型之列。

參考文獻

GitHub

論文

Hugging Face