OpenCoder 是一个开放且可复现的代码 LLM 系列,包括 1.5B 和 8B 模型,支持英语和中文的聊天。

1.5b 8b

20K 2 个月前

自述文件

OpenCoder 是一个开放且可复现的代码 LLM 系列,包括 1.5B 和 8B 模型,支持英语和中文。OpenCoder 从零开始,在 2.5 万亿 tokens 上进行预训练,这些 tokens 由 90% 的原始代码和 10% 的代码相关网络数据组成,并在超过 450 万个高质量 SFT 示例上进行监督微调,最终达到顶级的代码 LLM 的性能。我们不仅提供模型权重和推理代码,还提供可复现的训练数据、完整的数据处理流程、严格的实验消融结果和详细的训练协议。OpenCoder 赋能研究人员构建和创新,是您推进代码 AI 的开放基础。

  • 完全开源:OpenCoder 通过不仅发布模型权重和即将推出的推理代码,还发布用于训练的完整数据清理代码,确保完全透明。此版本包括高质量的合成数据、大量的检查点和超过 450 万个监督微调 (SFT) 条目的数据集,使 OpenCoder 成为最全面的开源模型之一。
  • 全面的实验分析:OpenCoder 通过对各种数据清理策略和训练过程(包括文件级和存储库级去重实验)进行广泛的消融研究,进行了严格的测试,确保对模型性能进行彻底的探索和验证。
  • 高质量的合成数据:OpenCoder 提供完全开发的合成数据生成过程和超过 450 万个 SFT 数据条目,为模型训练和评估奠定了强大的数据基础。
  • 卓越的性能:OpenCoder 在多个语言模型基准测试中取得了优异的性能,使其跻身代码领域领先的开源模型之列。

参考

GitHub

论文

Hugging Face