awesome ai coding Download - awesome ai coding Source Code Download

Herunterladen

Awesome-Ai-Coding

Eine Liste der KI -Codierungsthemen.

Öffnen Sie eine Pull -Anfrage, um diese Liste hinzuzufügen oder zu bearbeiten.

BigCode: Open Scientific Collaboration Run durch Umarmung des Gesichts.
Fauxpilot: Code Completion Server mit CodeGen .
Codegpt.nvim: chatgpt in neovim.
org-AI: EMACS Org-Mode mit OpenAI-APIs.
Autodoc: Codebasis -Dokumentation generieren. Verwenden Sie LLM (OpenAI / Alpaka).
Codalpaka: Lama trainiert auf dem folgenden Codeanweis.
? Tabby: Eine OpenSource / On-Prem-Alternative zu Github Copilot.
Propl.
CHATIDE: Mit der Erweiterung können Sie mit Chatgpt in VSCODE sprechen.
PromptMate: VSCODE -Erweiterungs -Chatgpt.
TurboPilot: CPU -basierter Copilot -Klon
CodeCapyBara: Open Source Lama-Modell, das den Anweisungsabstimmungen für die Codegenerierung folgt.
Codetf: Eine One-Stop-Transformator-Bibliothek für hochmodernes Code LLM
Rift: Ein OpenSource -LSP -Nutzung von Kantensprachenmodell.
Oktopack
- Octopack: Anweisungscode Großspracher Modelle
- Unterlegen Sie Fine-Tuning-Code-LLMs in großem Maßstab GitHub Commit-Datensatz.
Bloop: Bloop ist eine (KI-betriebene) schnelle Code-Suchmaschine, die in Rost geschrieben wurde.
TWINNY: ALLAMA BASISSER AI CODE Completion Plugin
MUTAHUNTERAI: Die Produktivität der Entwickler beschleunigen und mit unserer Open-Source-KI die Sicherheit des Entwicklers beschleunigen.
Codekollator: Erstellt eine einzelne Markdown-Datei, die Ihre gesamte Codebasis für Sprachmodelle beschreibt.
Batchai: Eine Ergänzung zu Copilot und Cursor - verwendet KI für die Batch -Verarbeitung von Projektcodes

Codegenerierung auf Wettbewerbsebene mit Alphacode
Repocoder: Code-Abschluss auf Repository-Ebene durch iteratives Abrufen und Generation
- Kombinierte LLM -Abschluss und Codesarch
- CodeGen-350M + BOW-basierte Snippet-Suchseckung Codex
Eingabeaufforderung auf Repository-Ebene für große Sprachmodelle von Code
- Generieren Sie Vorschläge Kandidaten basierend auf Prios, z. B. Importe, Dateien aus denselben Dirs.
- Verwenden Sie einen Vorschlagkandidatenklassifizierer, um basierte Vorschläge für LLM auszuwählen.
Der Abschluss von ML-verstärkter Code verbessert die Produktivität der Entwicklerer
- 500m Encoder-Decoder-basiertes Modell, fein auf Googles Monorepo von Google abgestimmt.
- 34% Akzeptanzrate für Vorschläge für Multi-Line-Code-Abschluss.
Sparks der künstlichen allgemeinen Intelligenz: Frühe Experimente mit GPT-4: Kapitel 3 zum Codierungsszenario. Chat ux.
Effizientes Training von Sprachmodellen zum Ausfüllen der Mitte: Zug-Decoder-Modell mit einem Suffix-Kontext mit einem speziellen Token.
Toolformer: Sprachmodelle können sich beibringen, Tools zu verwenden: LLM als API -Kleberschicht.
CodeCompose: Ein groß angelegter industrieller Einsatz von AI-unterstützten Code-Authoring
- Bereitstellung als Abschluss als Einzelzeilencode, um die Latenz auf 300 ms bis 500 ms zu reduzieren.
- 1,3b Parametergröße.
- Die Feinabstimmung verbessert die Genauigkeit / Bleu um 50% - 100%.