| <!-- markdownlint-disable first-line-h1 --> | |
| <!-- markdownlint-disable html --> | |
| <!-- markdownlint-disable no-duplicate-header --> | |
| <div align="center"> | |
| <img src="./images/picture_1.PNG" width="40%" alt="Abacus" /> | |
| </div> | |
| <hr> | |
| <div align="center" style="line-height: 1;"> | |
| <!-- <a href="" target="_blank" style="margin: 2px;"> | |
| <img alt="Homepage" src="https://img.shields.io/badge/Abacus-Homepage-blue?style=flat-square&logo=homeadvisor" style="display: inline-block; vertical-align: middle;"/> | |
| </a> --> | |
| <!-- <a href="https://mp.weixin.qq.com/s/T24_U-aR1WuwQh9iDjCWCg" target="_blank" style="margin: 2px;"> | |
| <img alt="Blog" src="https://img.shields.io/badge/Abacus-blog-red?style=flat-square&logo=blogger" style="display: inline-block; vertical-align: middle;"/> | |
| </a> --> | |
| <a href="https://mp.weixin.qq.com/s/T24_U-aR1WuwQh9iDjCWCg" target="_blank" style="margin: 2px;"> | |
| <img alt="Wechat" src="https://img.shields.io/badge/Abacus-Wechat-%23368B13?logo=wechat&logoColor=%23368B13" style="display: inline-block; vertical-align: middle;"/> | |
| </a> | |
| <a href="https://github.com/HIT-SCIR/Abacus" target="_blank" style="margin: 2px;"> | |
| <img alt="Github" src="https://img.shields.io/badge/Abacus-GitHub-black?logo=github&logoColor=white" style="display: inline-block; vertical-align: middle;"/> | |
| </a> | |
| <a href="LICENSE" style="margin: 2px;"> | |
| <img alt="Code License" src="https://img.shields.io/badge/License-Apache_2.0-green.svg" style="display: inline-block; vertical-align: middle;"/> | |
| </a> | |
| </div> | |
| --- | |
| - [1 引言](#1-引言) | |
| - [2 模型下载](#2-模型下载) | |
| - [3 模型评价](#3-模型评价) | |
| - [代码补全能力](#代码补全能力) | |
| - [4 面向代码补全的预训练](#4-面向代码补全的预训练) | |
| - [预训练数据组成](#预训练数据组成) | |
| - [5 推理阶段数据格式](#5-推理阶段数据格式) | |
| - [6.开源协议](#6开源协议) | |
| - [7.参考资料](#7参考资料) | |
| ## 1 引言 | |
| “珠算”是哈工大赛尔实验室研发的代码大模型，在3B以下模型中展现了出色的Python代码生成能力。为了更加便捷地调用珠算辅助编程开发，我们推出了[基于珠算的VSCode（Visual Studio Code）插件](https://marketplace.visualstudio.com/items?itemName=HIT-SCIR.abacus)。插件运行时，插件的代码上下文会以请求的方式发至后端，由后端模型分析代码上下文并生成生成适合当前场景的代码建议。为了支持这种任务形式，需要训练后端模型的代码补全（Fill in the Middle, FIM）能力。我们借鉴已有的研究工作，设计了能够有效提高“珠算”大模型代码补全能力的训练方法，使模型在[HumanEval-Infilling测试集](https://github.com/openai/human-eval-infilling)上取得了最优的性能。 | |
| ## 2 模型下载 | |
| <div align="center"> | |
| |模型名称|文件大小|下载地址|备注| | |
| |:---:|:---:|:---:|:---:| | |
| |Abacus-FIM|5GB|[🤗HuggingFace](https://huggingface.co/HIT-SCIR/Abacus-FIM)<br>[ModelScope](https://www.modelscope.cn/models/HIT-SCIR/Abacus-FIM)|Abacus代码补全版模型| | |
| </div> | |
| ## 3 模型评价 | |
| #### 代码补全能力 | |
| 模型代码补全能力的评估主要基于[HumanEval-Infilling测试集](https://github.com/openai/human-eval-infilling)中的Multi-line模式，此模式将HumanEval数据集[2]提供的标准答案随机挖去若干行代码，令模型补全代码，然后测试其正确率。各个模型使用PSM格式进行推理，**珠算大模型取得了最优的结果**。 | |
| <div align="center"> | |
| | 模型名称 | HumanEval-Infilling | | |
| |:-----------------------:|:-----------:| | |
| | stable-code-3B | 0.480 | | |
| | granite-3b-code-base | 0.507 | | |
| | qwen2.5-Coder-1.5B | 0.336 | | |
| | deepseek-coder-1.3b | 0.527 | | |
| | codegemma-1.1-2b | 0.538 | | |
| | CodeLlama-7b-hf | 0.494 | | |
| | Abacus-2.7B（珠算） | **0.540** | | |
| </div> | |
| ## 4 面向代码补全的预训练 | |
| 有别于预训练阶段常见的Causal Language Model形式（根据前文预测下一个词），代码补全任务的输入不仅包含前文，同时还包含待补全位置的后文。因此，基于Causal Language Model训练的模型直接构建插件未能充分利用已有信息，存在较大局限性。为此，我们借鉴已有的研究工作[1]，设计了能够有效提高代码补全能力的训练方法。 | |
| #### 预训练数据组成 | |
| 如下图所示，为了让模型更好地理解代码上下文，训练数据的格式被重构为特殊的格式。首先，从代码文件中随机选取一段代码作为${code}_{middle}$，作为训练模型、使模型预测的中间代码片段。选择的方法随机地从以下两种方法中采取一种： | |
| ①使用随机位置作为${code}_{middle}$的起始位置，选取该位置所在行剩余的某一token的末尾作为终止位置，这有利于增强模型补全单行内代码的能力，如下图所示。 | |
| <p align="center"> | |
| <img width="100%" src="./images/middlespan_1.png"> | |
| </p> | |
| ②使用随机位置作为${code}_{middle}$的起始位置，选取该位置之后的若干行的末尾作为终止位置，这有利于增强模型补全多行代码的能力，如下图所示。 | |
| <p align="center"> | |
| <img width="100%" src="./images/middlespan_2.png"> | |
| </p> | |
| 将${code}_{middle}$之前的代码作为${code}_{prefix}$，之后的代码作为${code}_{suffix}$。这样，代码就被分为了${code}_{prefix}$、${code}_{middle}$、${code}_{suffix}$三个部分。随后，<fim_prefix>、<fim_suffix>、<fim_middle>作为特殊token加入了词表，用来分隔代码的三部分。预训练数据中混入了两种此类数据，它们仅在结构上有略微不同。45%的数据被替换为了PSM（prefix-suffix-middle）格式： | |
| $$<fim\_prefix>{code}_{prefix}<fim\_suffix>{code}_{suffix}<fim\_middle>{code}_{middle}$$ | |
| 另外45%数据被替换为了SPM格式： | |
| $$<fim\_prefix><fim\_suffix>{code}_{suffix}<fim\_middle>{code}_{prefix}{code}_{middle}$$ | |
| 值得注意的是，SPM格式可以视为将${code}_{prefix}$移到<fim_middle>后面的PSM格式，两种数据格式本质上是相同的。PSM格式更加自然直观，而SPM格式通过将${code}_{prefix}$和${code}_{middle}$放在一起，使模型能够更好地处理${code}_{prefix}$末尾处的token。研究工作[1]指出这样的训练数据格式与比例有助于提高模型的代码补全性能。 | |
| 此外，考虑到补全任务存在输入只包含前文而没有后文的情况，剩余的10%数据被替换为了 | |
| $$<fim\_prefix>{code}_{prefix}<fim\_suffix><fim\_middle>{code}_{middle}$$ | |
| 其中，${code}_{prefix}$与${code}_{middle}$是代码数据随机切分的前后部分。上述形式保留了代码补全任务的数据格式的同时，兼顾了只基于前文预测的模式。 | |
| ## 5 推理阶段数据格式 | |
| 在推理阶段，模型仍然使用特殊的数据格式进行推理，我们采用了测试效果更佳的PSM格式。在实际使用中，插件通过读取用户代码编辑器中的内容和光标位置，整理为以PSM格式表示的代码上下文，作为prompt提供给模型进行推理。如下图所示，模型获得了位于特殊token<fim_prefix>、<fim_suffix>之后的代码上下文，即可自回归地在<fim_middle>后输出补全的代码。 | |
| <p align="center"> | |
| <img width="100%" src="./images/tuili.png"> | |
| </p> | |
| ## 6.开源协议 | |
| 对本仓库源码的使用遵循开源许可协议 [Apache 2.0](LICENSE)。 | |
| 珠算支持商用。如果将珠算模型或其衍生品用作商业用途，请您按照如下方式联系许可方，以进行登记并向许可方申请书面授权：联系邮箱：<[email protected]>。 | |
| ## 7.参考资料 | |
| \[1\] BAVARIAN M, JUN H, TEZAK N, 等. Efficient Training of Language Models to Fill in the Middle[A/OL]. arXiv, 2022[2024-11-22]. http://arxiv.org/abs/2207.14255. DOI:10.48550/arXiv.2207.14255. | |
| [1]:http://arxiv.org/abs/2207.14255 | |