代码生成综述

代码生成大模型属于LLM模型的一个子类，理论来讲也是属于语言模型的一种特例。代码本身其实也是一种特殊的语言表示，所以代码模型的实现应该是具备通用自然语言和代码两部分的能力。实际的代码模型也是有两条路径来实现，让训练好的NLP LLM模型经过code的训练，或者让code LLM模型经过NLP语料的训练来实现代码生成模型。其实应该还有一条路径，就是把code也当成是nlp语料，不区分code和nlp直接来训练。

对于训练的语料其实和NLP的LLM模型是一样的至少包括三种：pretrain语料、instruct监督训练语料、RLHF的比较训练语料。实际上用的比较多的是前面两种：pretrain语料和instruct语料。

对于模型驯练来说比较重要的就三样东西和一条链路。所谓三样东西无非：模型、数据、任务设计，一条链路就是经过多少轮的数据训练，数据训练的配比和加入顺序。下面我们会围绕三样东西来展开介绍，为什么不讲解一条链路并非有什么秘密。问题在于这个东西很难稳定成一套理论，有点类似传统文化里的“火候”、“易观”这种东西跟实际情况结合很紧密，很难去讲什么时候该如何，就算能讲出来往往也是当时决定完后马后炮的总结，在下一次不一定就完全可用。所以没有更好办法只有你自己多练，自己多感悟自然用多了就知道那么一回事了，往往可能就是一个直觉的决定可能就有效，但是前提是你得碰到问题够多想的够多。

模型

基础模型

模型	size	架构	pass@1
codeT5+		T5
code-davinci-2		GPT	59.86%
codegeex2	6B	GLM
starcode	15.5B	decode only
codegen16b	16B	decode only	29.28%
InCoder-6.7B	6.7B	Fairseq	15.6%
Palm- coder	540B		36%
Bloom

指令模型

模型	size	指令集	pass@1
OctoCoder	16B	CommitPack、CommitPackFT	35.5%
OctoGeeX	6B	CommitPack、CommitPackFT	30.9%
WizardCoder	16B	Evol-Instruct	57%
InstructCodeT5+	16B		22.3%
PanGu-Coder2	15B	RRTF框架抽数据	61%
Instruct-Codegen-16B	16B	code alpaca 250k	37.1%

数据

预训练数据

 

The Stack（6TB）

下载链接：https://huggingface.co/datasets/bigcode/the-stack

The Stack数据集，这是一个具有3.1TB的合法开源代码语料，拥有30种编程语言（注：最新版The Stack v1.1已经拓展到了308种语言，6TB数据）；

CodeParrot github-code（500GB）

下载链接：https://huggingface.co/datasets/codeparrot/github-code

PolyCoder（249GB）

下载链接：https://github.com/VHellendoorn/Code-LMs

用的是GitHub上的公开代码，主要选取的是各种编程语言中比较受欢迎的库，每个库至少有50 Stars，采用了多种编程语言代码集来训练，一共有12种

Google BigQuery（2B文件）

下载链接：https://cloud.google.com/blog/topics/public-datasets/github-on-bigquery-analyze-all-the-open-source-code

Google BigQuery提供了GitHub上许可存储库的快照，可以通过SQL查询进行过滤。AlphaCode，BLOOM，InCoder、CodeGen）都在他们的预训练数据集中包括了这部分数据。

CodeSearchNet（20GB）

下载链接：https://github.com/github/CodeSearchNet

其中包含了约600万种函数，取自Go，Java，JavaScript，PHP，Python和Ruby这六种编程语言的开源代码。

ProjectCodeNet（5亿行）

下载链接：https://github.com/IBM/Project_CodeNet

该数据集包含 1400 万个代码样本，共有用 55 种编程语言编写的 5 亿行代码，其中 C++ 是样本中使用最多的语言，Python 位居第二。

CodeXGLUE

下载链接：GitHub - microsoft/CodeXGLUE: CodeXGLUE

microsoft 开源的，包含10个任务及14个数据集

The Pile

下载链接：The Pile

The Pile数据集也包含来自StackOverflow的问题、答案和评论组成这些问题和答案，但不包含注释。定性地说，作者发现注释。

指令数据

代码生成：

TnT/Multi_CodeNet4Repair · Datasets at Hugging Face

代码填空：

https://huggingface.co/datasets/code_x_glue_cc_cloze_testing_all

代码问答：

Dahoas/code-review-instruct-critique-revision-python · Datasets at Hugging Face

代码判断：

reshinthadith/pairwise-code-review-instruct-critique-revision-python · Datasets at Hugging Face

代码阅读理解：

https://huggingface.co/datasets/Nan-Do/instructional_code-search-net-python/viewer/Nan-Do--instructional_code-search-net-python/train?row=1

代码测试：

codeparrot/apps · Datasets at Hugging Face

deepmind/code_contests · Datasets at Hugging Face

代码填空：

code_x_glue_cc_cloze_testing_all · Datasets at Hugging Face

综合性instruct：

nickrosh/Evol-Instruct-Code-80k-v1 · Datasets at Hugging Face

HuggingFaceH4/CodeAlpaca_20K · Datasets at Hugging Face

iamtarun/python_code_instructions_18k_alpaca · Datasets at Hugging Face

任务设计

预训练任务

前向生成

所谓前向生成，在训练形式上其实应该是最简单。就是让模型源码阅读，难点在于选出让他读什么，什么时候读，读几遍。

1.带注释源码阅读

2.带项目需求源码阅读

3.语言规则+代码例子

mask填补

这部分就是如何对源码mask掉一部分，可能是一个词或者几个词，也可能是一行或者几行。然后让代码来做填空。这个可以随机mask，也可以对代码汇总关键词mask或者是变量名mask，或者可以做一些语义理解随机mask。

1. strategyDecisionDrm.__________ 是什么？

2. getDefaultStrategyMap() 方法的返回值是什么类型？

3. 如何从一个 List<String> 中随机选择指定数量的字符串？

4. 请为以下变量添加类型声明：row, strategyCode, recommendCount

5. 使用 Java 8 中的什么方法可以将一个 List<String> 中的元素限制在指定数量？

段生成

这个和上面的mask填补任务很像，可以把整段代码mask或则核心实现mask，或者定义部分mask，更或者可以把代码注释mask，或者功能描述mask，让模型来填补。

判断

这部分可以在代码修复、代码复杂度选择中设计任务，比如可以判断哪个实现是对的，哪个实现会更快，哪个变量名是对的，哪个执行速度会更快，哪个测试结果是对的。

关键词抽取

这部分可以设计抽取指定语意对应的参数，识别关键词、识别摘要和代码的关系。

选择

多个变量选择一个合适的填入代码，代码多段实现选择填入

摘要

对代码结构框架抽起，对代码运行流程抽取，对代码核心实现抽取，抽取代码的实现逻辑。

指令任务

单问题点

生成：

NL-->Code 给文本生成代码

NL-->NL+code 给文本生成代码和描述

NL+code -->NL 生成代码的逻辑、流程，描述；生成代码功能描述

注释：

Code-->NL给代码生成注释

Code-->NL+code 给代码生成代码功能实现思路，代码续写

Code+NL-->code 代码填空，代码改写

问答：

Code+NL--> NL+code 给定代码，根据问题回答问题

改写：

Code+NL--> code 代码改写

Code+NL--> code 代码纠错

Code+NL--> code 代码翻译

Code+NL--> code 代码增加功能

多轮对话/CoT

NL-->NL+code 根据需求生成代码框架

NL-->code 根据需求描述生成带多个功能模块的类

NL+code-->NL+code 跟据功能描述和代码框架，补全细节

NL+code-->NL+code 根据输入输出描述，生成可执行小项目工程

{
"代码生成能力prompt": [
"1.根据以下需求生成一段代码：需要一个函数，该函数接受策略代码和推荐数量作为参数，然后从默认的策略地图中获取对应的股票，如果没有找到相应的策略代码，则返回预设的股票代码，并按照请求的推荐数量进行限制。"
],
"代码补全能力prompt": [
"1.我有一段未完成的代码，需要你帮助完成，代码如下：def useDefaultSymbolPool = { row, strategyCode, recommendCount -> 此处需要你的补全"
],
"代码续写能力prompt": [
"1.给定下面这段代码，能否进行逻辑续写：def ASSET_ID = 'finscprod.chooseStockCard'"
],
"代码纠错能力prompt": [
"1.这段代码中存在一个错误，能否帮助找出并修正：def useDefaultSymbolPool = { row, strategyCode, recommendCount -> def strategyDecisionDrm = row.get('strategyDecisionDrm') as StrategyDecisionStorm"
],
"代码注释能力prompt": [
"1.请为以下代码添加注释：def useDefaultSymbolPool = { row, strategyCode, recommendCount -> def strategyDecisionDrm = row.get('strategyDecisionDrm') as StrategyDecisionDrm"
],
"代码理解能力prompt": [
"1.请解释这段代码的功能：def useDefaultSymbolPool = { row, strategyCode, recommendCount -> def strategyDecisionDrm = row.get('strategyDecisionDrm') as StrategyDecisionDrm"
],
"代码问答能力prompt": [
"1.在本段代码中，getOrDefault方法是如何工作的？"
],
"注释生成代码prompt": [
"1.根据以下注释生成相应的代码：'使用默认的股票池，根据给定的策略代码和推荐数量从策略决策DRM获取股票代码，如果没有找到则返回预设的股票代码，并限制返回的数量'"
],
"功能描述生成代码prompt": [
"1.根据以下功能描述生成代码：'创建一个函数，该函数接受三个输入参数，即row，策略代码和推荐数量，从“strategyDecisionDrm”获取默认策略图，如果策略代码不存在，则返回默认的股票代码，并且返回的数量不超过推荐数量。'"
],
"摘要生成代码prompt": [
"1.从以下摘要生成代码：'这是一个使用默认股票池的函数，其基于输入的策略代码和推荐数量从策略决策DRM中提取股票代码，如果没有找到匹配的策略代码，将返回预定义的股票列表，并根据推荐数量进行限制。'"
],
"代码功能描述prompt": [
"1.为下面这段代码提供一个功能描述：def useDefaultSymbolPool = { row, strategyCode, recommendCount -> def strategyDecisionDrm = row.get('strategyDecisionDrm') as StrategyDecisionDrm"
],
"代码注释生成prompt": [
"1.请根据给定的功能描述生成相应的代码注释：'这个功能会从默认的策略决策DRM地图中获取股票代码，如果无法根据给定的策略代码找到，就会返回一个预设的股票代码数组，并且返回的数量不超过给定的推荐值。'"
],
"功能描述到代码COT prompt": [
"1.请根据以下的功能描述转化为具体的代码操作任务（COT）：'我们需要一个函数来从默认的策略地图中获取策略代码，如果没有找到相应的策略代码，则返回预设的股票代码，并按照请求的推荐数量进行限制。'"
]
}

例子：

可以通过以下三个层次来对一份代码分析，设计合适的prompt抽取和生成数据，来训练模型的综合能力。

1.需求描述、api描述、代码实现、魔法例子
2.api描述包括：input、output、rpc、service
3.rpc是调用流程链路、service是服务实现函数
4.code实现部分包括import函数包部分、各功能块实现函数、为了支撑服务的各种小服务、pipeline串接执行流程
5.魔法例子是参考的实现服务例子
问题：
a.这份代码实现什么功能、包括了哪些功能模块、功能模块之间调用顺序和逻辑是什么样的
b.每个功能模块实现逻辑是什么，输入输出参数和参数的类型
c.api描述包括了哪些部分，每部分功能是什么
d.给每个功能函数上生成详细注释
e.给定service名或者rpc名把实现代码拎出来
f.生成代码执行流程描述
g.给定描述生成源码
h.给定代码流程生成框架代码
i.给定代码按要求代码
j.代码问答，莫某功能在哪实现，原理是什么，某某函数包含什么参数

小结：

这篇文章比较全面的把code生成大模型实践性需要的东西梳理了一遍。从模型、数据、任务设计给出了可执行层面的梳理，给出了目前主流的一些代码生成模型、和可以用来训练的数据、以及为了让模型具备能力应该要考虑设计的任务，同时也结合一个例子给出了数据如何设计的思路。

1.对于模型的考量从两个维度：预训练、instruct的训练使用企业应用的不同需求。

2.对于数据设计给出了预训练、instruction两部分，同时对两大部分做了更下一个粒度细分

3.对于任务设计也给出了单点任务设计、多轮对话/cot两部分

4.对于模型训练块留在下一篇文章介绍