CodeFuseEval在HumanEval-x、MBPP的基准上,结合CodeFuse大模型多任务场景,开发的编程领域多任务的评测基准, 可用于评估模型在代码补全,自然语言生成代码,测试用例生成、跨语言代码翻译,中文指令生成代码等多类任务的性能。持续开放中,敬请期待!
🌐 English
CodeFuse-13B: python 3.8及以上版本,pytorch 2.0及以上版本,transformers 4.24.0及以上版本,CUDA 11.4及以上;
CodeFuse-CodeLlama-34B: python 3.8及以上版本,pytorch2.0及以上版本,transformers==4.32.0 ,Sentencepiece,CUDA 11.4及以上。
我们设计了一个名为Processor的基础结构,用户可以自己根据推理模型的情况创建自己需要的处理器, 主要目的是为了处理不同模型的区别情况进行处理,主要需要完成3个抽象函数:
load_model_tokenizer: 由于模型加载参数的区别以及tokenizer的终止符的区别,模型需要使用不同的参数进行适配加载,当前函数主要是为了帮助用户加载适配不同的模型
process_before:由于prompt根据用户不同的选择评测任务的类型或不同模型来适配不同的prompt样式,因此抽取出process_before函数主要用来帮助用户处理prompt
process_after:由于模型生成结果多样性,为了适配评测框架,方便生成结果数据可以拼接成合适的用例进行自动化运行,当前函数主要是根据任务类型和数据集情况,处理生成结果适配评测数据集和结果进行评测
为了支持处理器结构,我们同时修改了ckpt_config保存评测的相关配置。例如:
{
"CodeFuse-13B": {
"path": "/mnt/user/294761/bigcode/CodeFuse13B-evol-instruction-4K/", // 模型路径
"processor_class": "codefuseEval.process.codefuse13b.Codefuse13BProcessor", // 处理器路径 (请把处理器类文件放在codefuseEval/process/下,否则会读取失败)
"dataset": "humaneval_python", // 评测数据集
"language": "python",
"tokenizer": {
"truncation": true,
"padding": true,
"max_length": 600
}, // 用于token化prompt的tokenizer参数
"generation_config": { // 生成配置,你可以结合下面的「decode_mode」参数设置自己的解码策略,请使用json对象设置不同解码配置,非json对象会直接读取到默认生成配置中
"greedy": {
"do_sample": false,
"num_beams": 1,
"max_new_tokens": 512
},
"beams": {
"do_sample": false,
"num_beams": 5,
"max_new_tokens": 600,
"num_return_sequences": 1
},
"dosample": {
"do_sample": true
},
"temperature": 0.2,
"max_new_tokens": 600,
"num_return_sequences": 1,
"top_p": 0.9,
"num_beams": 1,
"do_sample": true
},
"task_mode": "code_completion",//目前支持 [code_completion,nl2code,code_trans,codescience] 4种任务类型,如果你评测的数据集支持多个task_mode,建议你设置task_mode来获取合适的任务处理方式
"batch_size": 1,
"sample_num": 1,
"decode_mode": "beams" //解码策略,对应的解码策略的配置会设置到生成配置中
}
bash codefuseEval/script/generation.sh MODELNAME EVALDATASET OUTFILE LANGUAGE
eg:
bash codefuseEval/script/generation.sh CodeFuse-13B humaneval_python result/test.jsonl python
如果你想进行代码翻译评测,传入的语言参数为当前待翻译的代码语言,例如: 如果你想将C++代码翻译为Python代码,传入代码语言为CPP,如
bash codefuseEval/script/generation.sh CodeFuse-CodeLlama-34B codeTrans_cpp_to_python result/test.jsonl cpp
样本使用JSON列表格式存储在codefuseEval/data
中,根据用户所需的下游任务情况,每条样本包含
task_id
: 题目的目标语言与ID。语言为["Python", "Java", "JavaScript", "CPP", "Go"]中之一。prompt
: 函数声明与描述,用于代码生成。declaration
: 仅有函数声明,用于代码翻译。canonical_solution
: 手写的示例解答。test
: 隐藏测例,用于评测。example_test
: 公共测试样本,用于评估生成代码。prompt_text
: prompt文本情况。prompt_explain
: prompt信息说明。func_title
: 生成函数头信息。prompt_text_chinese
: 中文prompt信息。评测生成的代码需要使用多种语言编译、运行。我们使用的各编程语言依赖及所用包的版本如下:
依赖 | 版本 |
---|---|
Python | 3.10.9 |
JDK | 18.0.2.1 |
Node.js | 16.14.0 |
js-md5 | 0.7.3 |
C++ | 11 |
g++ | 7.5.0 |
Boost | 1.75.0 |
OpenSSL | 3.0.0 |
go | 1.18.4 |
cargo | 1.71.1 |
为了省去使用者配置这些语言环境的麻烦,我们构建了一个Docker镜像,并在其中配置了所需要的环境,你可以按照下面的指令拉取使用
docker pull registry.cn-hangzhou.aliyuncs.com/codefuse/codefuseeval:latest
如果您熟悉Dockerfile,也可以从codefuseEval/docker/Dockerfile
构建镜像,或者修改之以定制自己的配置:
cd codefuseEval/docker
docker build [OPTIONS] .
获取镜像后,使用如下命令创建容器:
docker run -it --gpus all --mount type=bind,source=<LOCAL PATH>,target=<PATH IN CONTAINER> [OPTIONS] <IMAGE NAME:TAG>
除了目前提供的Codex 中提出的无偏 pass@k 指标之外,我们还将huggingface开源的相关指标与CodeBLEU提出的相似性指标进行集成。 目前建议用户主要使用的指标如下:
codebleu
: codebleu相似性评测指标。pass@k
: 无偏pass@k的评测指标。bleu
: 文本相似性指标bleubleurt
: 文本语义相似性指标bleurt其它的相关指标情况用户可以查看metric的使用情况与代码情况进行调整使用。
我们推荐使用给定的评测环境进行评测。在评测前,将生成的代码以如下JSON列表形式存储:
{"task_id": "../..", "generation: "..."}
{"task_id": "../..", "generation: "..."}
...
bash codefuseEval/script/evaluation.sh <RESULT_FILE> <METRIC> <PROBLEM_FILE> <TEST_GROUDTRUTH>
eg:
bash codefuseEval/script/evaluation.sh codefuseEval/result/test.jsonl pass@k humaneval_python
并在本仓库的根目录下使用如下指令(请谨慎执行,生成的代码可能有极低概率产生意外行为。在execution.py中查看警告并取消执行代码的注释,风险自负):
同时我们当前提供如下的标志位,可以直接将测试数据集中的示例解答作为生成答案带入进行测试。
TEST_GROUDTRUTH
取值为True或False当TEST_GROUDTRUTH为True时,开启self-test模式,将读取PROBLEM_FILE,将示例解答作为生成答案代入进行测试。 TEST_GROUDTRUTH为False时,开启评测模式,读取RESULT_FILE和将读取PROBLEM_FILE,将生成答案代入进行测试
我们提供脚本来检查所提供代码 LLM 的结果。请使用以下脚本检查相应的推理结果。
bash codefuseEval/script/check_reference.sh codefuseEval/result/CodeFuse-CodeLlama-34B/humaneval_result_python.jsonl humaneval_python
bash codefuseEval/script/check_reference.sh codefuseEval/result/CodeFuse-13B/humaneval_result_python.jsonl humaneval_python
代码补全
bash codefuseEval/script/check_dataset.sh humaneval_python
bash codefuseEval/script/check_dataset.sh humaneval_java
bash codefuseEval/script/check_dataset.sh humaneval_js
bash codefuseEval/script/check_dataset.sh humaneval_rust
bash codefuseEval/script/check_dataset.sh humaneval_go
bash codefuseEval/script/check_dataset.sh humaneval_cpp
自然语言生成代码
bash codefuseEval/script/check_dataset.sh mbpp
代码翻译
bash codefuseEval/script/check_dataset.sh codeTrans_python_to_java
bash codefuseEval/script/check_dataset.sh codeTrans_python_to_cpp
bash codefuseEval/script/check_dataset.sh codeTrans_cpp_to_java
bash codefuseEval/script/check_dataset.sh codeTrans_cpp_to_python
bash codefuseEval/script/check_dataset.sh codeTrans_java_to_python
bash codefuseEval/script/check_dataset.sh codeTrans_java_to_cpp
科学计算
bash codefuseEval/script/check_dataset.sh codeCompletion_matplotlib
bash codefuseEval/script/check_dataset.sh codeCompletion_numpy
bash codefuseEval/script/check_dataset.sh codeCompletion_pandas
bash codefuseEval/script/check_dataset.sh codeCompletion_pytorch
bash codefuseEval/script/check_dataset.sh codeCompletion_scipy
bash codefuseEval/script/check_dataset.sh codeCompletion_sklearn
bash codefuseEval/script/check_dataset.sh codeCompletion_tensorflow
bash codefuseEval/script/check_dataset.sh codeInsertion_matplotlib
bash codefuseEval/script/check_dataset.sh codeInsertion_numpy
bash codefuseEval/script/check_dataset.sh codeInsertion_pandas
bash codefuseEval/script/check_dataset.sh codeInsertion_pytorch
bash codefuseEval/script/check_dataset.sh codeInsertion_scipy
bash codefuseEval/script/check_dataset.sh codeInsertion_sklearn
bash codefuseEval/script/check_dataset.sh codeInsertion_tensorflow
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。
1. 开源生态
2. 协作、人、软件
3. 评估模型