CodeX尝试了从头训练和基于GPT-3的参数fine-tuning，结果发现基于GPT-3的参数fine-tuning并没有取得效果上的提升，但基于GPT-3的参数fine-tuing可以收敛的更快，因此，论文中都采用的是这种训练策略。CodeX是在Github的159GB的代码文本上无监督的训练的，论文造了一个和HumanEval数据集格式一致的SupervisedFine-Tuning数据集，在这个数据集上fine-tuning后的模型效果更好。这点想的有点科幻了。...
最近非常火的OpenAI的Copilot背后的模型。文章35页，58位作者，6位共同一作。
顺理成章的，把模型做的再大一点，训练数据集做的再大一些，计算资源再多一些，就可以生成更长的代码。这篇文章做的事情就是把GPT模型应用在代码生成上，具体来说输入函数的签名和注释（prompt），告诉模型这个函数要做什么事情，然后模型输出实现代码。
这里有三个示例，白色背景的是 prompt，黄色背景的是模型补全的代码。
想完成这件事情其实很难，有很多工作要做，所以这篇文章有58个作者，6个共同一作。
首先要有一个方法能够评测模型的能力。这里虽然是一个将注释 “翻译”成代码的任务，但是不能用BLEU指标来衡量质量，这是因为基于匹配的方法即使代码语义相近，但是不能评价代码功能的正确性。所以论文将代码功能的正确性作为评测指标，具体来说是用单元测试的方法<
3451
310
1386
2377
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
