CodeT5 und CodeT5+

Offizielle Forschungsveröffentlichung für CodeT5- und CodeT5+ -Modelle für Code-Verständnis und -Generierung von Salesforce Research, die in den folgenden Artikeln vorgestellt werden:

Titel : CodeT5+: Open Code Large Language Models für Code-Verständnis und -Generierung

Autoren : Yue Wang*, Hung Le*, Akhilesh Deepak Gotmare, Nghi DQ Bui, Junnan Li, Steven CH Hoi (* zeigt gleichen Beitrag an)

Titel : CodeT5: Kennungsbewusste einheitliche vorab trainierte Encoder-Decoder-Modelle für das Verständnis und die Generierung von Code

Autoren : Yue Wang, Weishi Wang, Shafiq Joty, Steven CH Hoi

In der Praxis können die Modelle CodeT5 und CodeT5+ als KI-gestützter Codierungsassistent eingesetzt werden, um die Produktivität von Softwareentwicklern zu steigern. Bei Salesforce erstellen wir eine Demo des KI-Codierungsassistenten mit CodeT5 als VS-Code-Plugin, um drei Funktionen bereitzustellen:

Text-to-Code-Generierung : Generieren Sie Code basierend auf der Beschreibung in natürlicher Sprache.
Automatische Codevervollständigung : Vervollständigen Sie die gesamte Funktion des Codes unter Berücksichtigung des Zielfunktionsnamens.
Codezusammenfassung : Generieren Sie die Zusammenfassung einer Funktion in einer Beschreibung in natürlicher Sprache.

CodeT5-Demo

Was ist neu: ?

Mai 2023

CodeT5+ -Papier und -Modelle sind veröffentlicht！
Papier | Code | Modell | Blog

September 2022

Unser CodeRL- Artikel wurde für NeurIPS 2022 angenommen!
Papier | Code | Blog

Juli 2022

Wir veröffentlichen zwei große CodeT5-Kontrollpunkte bei HuggingFace: Salesforce/codet5-large und Salesforce/codet5-large-ntp-py, die im CodeRL-Papier eingeführt werden.

Okt. 2021

Wir veröffentlichen fein abgestimmte Kontrollpunkte für alle im Dokument behandelten nachgelagerten Aufgaben. Darüber hinaus veröffentlichen wir einen auf CodeT5 basierenden, fein abgestimmten Prüfpunkt (Salesforce/codet5-base-multi-sum) für die Zusammenfassung mehrsprachigen Codes.

September 2021

CodeT5- Papier für EMNLP 2021 angenommen und Modelle werden veröffentlicht!
Papier | Code | Modell | Modellkarte | Blog

Zitat

Wenn Sie feststellen, dass dieser Code für Ihre Recherche nützlich ist, sollten Sie Folgendes zitieren:

 @inproceedings{
    wang2021codet5,
    title={CodeT5: Identifier-aware Unified Pre-trained Encoder-Decoder Models for Code Understanding and Generation}, 
    author={Yue Wang, Weishi Wang, Shafiq Joty, Steven C.H. Hoi},
    booktitle={EMNLP},
    year={2021},
}

@inproceedings{
    le2022coderl,
    title={CodeRL: Mastering Code Generation through Pretrained Models and Deep Reinforcement Learning},
    author={Le, Hung and Wang, Yue and Gotmare, Akhilesh Deepak and Savarese, Silvio and Hoi, Steven C. H.},
    booktitle={NeurIPS},
    year={2022}
}

@article{
    wang2023codet5plus,
    title={CodeT5+: Open Code Large Language Models for Code Understanding and Generation},
    author={Wang, Yue and Le, Hung and Gotmare, Akhilesh Deepak and Bui, Nghi D.Q. and Li, Junnan and Hoi, Steven C. H.},
    journal={arXiv preprint},
    year={2023}
}

Lizenz

Der Code wird unter der BSD-3-Lizenz veröffentlicht (Einzelheiten finden Sie in LICENSE.txt ). Wir bitten die Benutzer jedoch auch, Folgendes zu respektieren:

Diese Software sollte nicht verwendet werden, um Folgendes zu fördern oder davon zu profitieren:

Gewalt, Hass und Spaltung,

Umweltzerstörung,

Verletzung der Menschenrechte, oder

die Zerstörung der körperlichen und geistigen Gesundheit der Menschen.

Wir ermutigen Benutzer dieser Software, uns per E-Mail an [email protected] über die Anwendungen zu informieren, in denen sie sie einsetzen, und bei der Entwicklung anspruchsvoller Anwendungen dieses Modells entsprechende Dokumentation zu verwenden.