來(lái)源：量子位

比 Codex 還會(huì)寫(xiě) C 語(yǔ)言的 AI 代碼生成模型，現(xiàn)在開(kāi)源了！這段時(shí)間，用 AI 寫(xiě)代碼可以說(shuō)是大火，其中最著名的要屬 OpenAI 的 Codex 和 DeepMind 的 AlphaCode。然而，這兩個(gè) AI 模型，全都沒(méi)有開(kāi)源：其中 AlphaCode 只給出了一些測(cè)試樣例，而 Codex 只開(kāi)放了 API。

△基于 Codex 的 Copilot

為此，來(lái)自 CMU 的幾個(gè)研究人員，用 GPT-2 搞出了一個(gè)名叫PolyCoder的 AI 代碼生成模型，而且還是開(kāi)源的。

據(jù)研究人員表示，雖然 PolyCoder 最大只有 27 億參數(shù)（相比 Codex 有 120 億參數(shù)），但它用C 語(yǔ)言寫(xiě)出來(lái)的代碼，比 Codex 的效果還要好。

這里面究竟有什么秘訣？

用 12 種編程語(yǔ)言代碼集訓(xùn)練

首先來(lái)看訓(xùn)練用的數(shù)據(jù)集，這也是 PolyCoder 的最大特點(diǎn)之一。

此前，包括 Codex、CodeParrot 等 AI 代碼生成模型，主要都是基于Python語(yǔ)言的代碼來(lái)訓(xùn)練。

例如 Codex 的評(píng)估數(shù)據(jù)集之一 HumanEval，評(píng)估的也是生成 Python 代碼的效果。

相比之下，PolyCoder采用了多種編程語(yǔ)言代碼集來(lái)訓(xùn)練，一共有 12 種：

C、C#、C++、Go、Java、JavaScript、PHP、Python、Ruby、Rust、Scala 和 TypeScript。

其中，C 語(yǔ)言的代碼量是最多的，達(dá)到了 221GB；而 Python 代碼的數(shù)據(jù)量比 Codex 和 CodeParrot 用得都要少。

這里 PolyCoder 用的是 GitHub 上的公開(kāi)代碼，主要選取的是各種編程語(yǔ)言中比較受歡迎的庫(kù)，每個(gè)庫(kù)至少有 50 Stars。

據(jù)研究人員表示，每種編程語(yǔ)言庫(kù)的 Stars 總數(shù)加起來(lái)不超過(guò) 25k，以避免模型生成的代碼效果太過(guò)于傾斜最流行的編程語(yǔ)言（通常編程語(yǔ)言越流行，庫(kù)的 Stars 就越多）。

通過(guò)提取庫(kù)中的文件、經(jīng)過(guò)簡(jiǎn)單處理（包括消除重復(fù)代碼）后，一共篩選出大約254GB的數(shù)據(jù)用于訓(xùn)練。

然后是預(yù)訓(xùn)練的方法。

語(yǔ)言模型的預(yù)訓(xùn)練方法通常有三種。

第一種是自左向右的語(yǔ)言模型，根據(jù)上文預(yù)測(cè)下文，比較適用于代碼生成等；第二種是掩蔽語(yǔ)言模型，基于上下文預(yù)測(cè)屏蔽片段，比較適合代碼分類(lèi)等；第三種是編解碼器模型，比較適用于代碼注釋等任務(wù)。

這里 PolyCoder 主要采用的是第一種預(yù)訓(xùn)練方法。

相比于同樣采用 GPT-2 訓(xùn)練的 CodeParrot 和 Codex，PolyCoder 在超參數(shù)設(shè)置上也稍微有一些差異：

PolyCoder 一共提供了三種不同的模型，分別有 27 億參數(shù)、4 億參數(shù)和 1.6 億參數(shù)，研究人員可以根據(jù)自身需求和不同的訓(xùn)練能力來(lái)選取合適的模型。

那么，最終訓(xùn)練出來(lái)的 AI 模型，代碼生成效果如何？

C 語(yǔ)言寫(xiě)得尤其好，但 Python 不行

研究人員將 PolyCoder 與已有的 AI 代碼生成模型進(jìn)行了對(duì)比。

由于 AlphaCode 不好比較（接口沒(méi)開(kāi)放），所以研究人員主要分析了下面這些模型，包括 GPT-Neo、CodeParrot 和 Codex 等。

其中藍(lán)色的是開(kāi)源的，橙色的是沒(méi)開(kāi)源的：

從參數(shù)量來(lái)看，PolyCoder 并不是最頂尖的，最大的 27 億參數(shù)模型也只有 Codex 的四分之一不到。

研究人員先是用語(yǔ)言模型評(píng)估常用的困惑度對(duì)一系列模型進(jìn)行了比較。

困惑度（Perplexity），用于衡量語(yǔ)言模型（LM）的好壞。困惑度越低，語(yǔ)言模型面對(duì)代碼感到困惑的程度就越低，模型生成效果越好。

從圖中來(lái)看，PolyCoder 在C 語(yǔ)言中意外取得了最好的效果（困惑度最低）。

用大量 C 語(yǔ)言訓(xùn)練 PolyCoder 的結(jié)果說(shuō)明，即使模型整體原理不變（基于 GPT-2），單純改變訓(xùn)練用的代碼集，也能訓(xùn)練出擅長(zhǎng)不同語(yǔ)言風(fēng)格的 AI 代碼生成模型。

可惜的是，從其他語(yǔ)言來(lái)看，生成的效果就完全沒(méi)辦法和 Codex 相比了：

例如，在主要用于評(píng)估 Python 代碼的 HumanEval 上，PolyCoder 的能力遠(yuǎn)不如 Codex 好：

據(jù)論文分析，這可能是 Python 代碼數(shù)據(jù)量、模型參數(shù)量不足等原因?qū)е碌摹?/p>

此外，作者們也提到，做出 PolyCoder 的目的主要還是為了開(kāi)源一個(gè) AI 代碼生成模型，讓更多人參與研究和使用。

目前代碼已經(jīng)開(kāi)源，無(wú)論是直接拿來(lái)用，還是試著在它的基礎(chǔ)上開(kāi)發(fā)新模型都可以。

感興趣的小伙伴可以上手一試了 ~

作者介紹

一作許方正（Frank Xu），目前在 CMU 讀博，研究方向是 NLP、信息抽取等，發(fā)表過(guò)多篇頂會(huì)論文，包括 ICLR、ACL 和 EMNLP 等。本碩畢業(yè)于上海交通大學(xué)，師從朱其立教授。

Uri Alon，在 CMU 進(jìn)行博士后工作，研究方向是編程語(yǔ)言處理（PLP）、NLP 和深度學(xué)習(xí)。

Graham Neubig，CMU 助理教授，研究方向是 NLP、機(jī)器翻譯和基于機(jī)器學(xué)習(xí)的自然語(yǔ)言理解。

Vincent J. Hellendoorn，CMU 計(jì)算機(jī)助理教授，主要研究方向是軟件工程和機(jī)器學(xué)習(xí)，致力于利用智能方法幫助軟件開(kāi)發(fā)人員減少代碼調(diào)試、程序優(yōu)化等繁瑣工作的時(shí)間。

不知道作者們是否已經(jīng)在用這個(gè) AI 擼代碼了（手動(dòng)狗頭）