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

1.5b 8b

20K 2 months ago

自述文件

OpenCoder 是一个开放且可复现的代码 LLM 系列,包含 1.5B 和 8B 模型,支持英语和中文语言。 OpenCoder 从零开始,在 2.5 万亿 tokens 上进行预训练,其中 90% 为原始代码,10% 为代码相关的网络数据,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、严谨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 通过发布模型权重和即将发布的推理代码,以及完整的训练数据清理代码,确保完全透明。此版本包括高质量的合成数据、广泛的检查点集以及超过 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(包括文件级别和存储库级别的去重实验)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 提供了完全开发的合成数据生成流程和超过 450 万个 SFT 数据条目,为模型训练和评估奠定了坚实的数据基础。
  • 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,使其跻身于领先的代码开源模型之列。

参考

GitHub

论文

Hugging Face