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 個月前

自述檔案

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,同時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 組成包含 90% 原始程式碼和 10% 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、嚴謹的實驗消融研究結果以及詳細的訓練協議。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。此版本包括高品質的合成資料、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,包括檔案層級和儲存庫層級的重複資料刪除實驗,進行嚴格的測試,確保徹底探索和驗證模型的效能。
  • 高品質的合成資料:OpenCoder 提供完全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