Code Llama 70B霸榜3连发，练习5个月击败GPT-4，小扎LeCun亲自官宣上新

今天（1月30日），Meta正式发布了Code Llama 70B，作为Code Llama系列中规模最大，性能最强的版本，一举击败了GPT-4！

目前，模型共有三个版本，均可免费用于研究和商业目的：

CodeLlama - 70B：基础代码模型；

CodeLlama - 70B - Python：专门针对Python的 70B模型；

CodeLlama - 70B - Instruct：专门用于理解自然语言指令的模型。

算上8月份发布的Code Llama 7B、13B和34B，这个家也算是完整了。

论文地址：https://ai.meta.com/research/publications/code-llama-open-foundation-models-for-code/

其实，Code Llama在发布时就已经展现了不俗的实力，在一众代码生成模型中处于领先位置。

不过GPT-4依然凭借着67.0的HumanEval（pass@1）得分数遥遥领先（Code Llama 34B为53.7）。

尽管后来又有Code Llama的微调版本获得了更好的成绩，却并没有进入Meta的这个官方表格。

但是！在寒窗苦读了5个月之后，Code Llama终于一鸣惊人，以最强的70B模型登顶全部三项测试的榜首。

其中，CodeLlama-70B-Instruct在HumanEval上更是直接拿下了67.8的高分，一举跻身当下最强开源模型的行列。

可以说，除了GPT-4外，其他同类模型几乎都难以望其项背。

对此，LeCun转发并宣传了自家的新模型：「新一代Code Llama依然开源，正如它的前辈们一样。」

而终于发现自家AI是块宝的小扎，也加大了宣传力度：

我们正式开源了一个全新且更加强大的Code Llama，包含一个庞大的700亿参数的模型。

在当今的AI域，编写和编辑代码已经成为了最关键的应用之一。同样，能够编程也对AI模型在其他领域进行更加严密和逻辑性的信息处理显得尤为重要。

我对我们在这方面取得的进展感到非常自豪，并且非常期待在未来的Llama 3及后续模型中加入这些先进的成果。

技术细节

Code Llama是一款能够通过文本提示生成代码的大语言模型。它不仅能提升现有开发者的工作效率，还能降低编程新手的学习门槛。

Meta希望将Code Llama打造成为一款既能提高生产力，又具有教育价值的工具，助力程序员创建更加稳定且文档齐全的软件。

Code Llama是基于Llama 2开发的，专门用于编程任务的版本。

通过在专为编码设计的数据集上进行更深入的训练，Code Llama能够理解和生成代码，帮助完成编程任务（如编写函数、代码补全和调试），

并支持包括Python、C++、Java、PHP、Typescript （Javascript）、C#和Bash等在内的多种流行编程语言。

到目前为止，Code Llama系列集齐了四种规模，分别拥有7B、13B、34B和70B的参数，前三个模型采用500B token的代码和相关数据进行训练，而新发布的70B模型使用了1TB token。

另外，7B和13B基础模型和指令模型还经过中间填充（FIM）功能的训练，具备直接在现有代码中插入新代码的能力（代码补全）。

Code Llama系列模型针对不同的需求和性能要求进行了优化：

7B模型能在单个GPU上运行，适合快速响应的场景；而34B和70B模型则提供了更高级的编码辅助功能，但运行速度较慢。

Code Llama能够处理长达100000 token的上下文，这意味着模型可以理解和生成较长的程序代码。

这对于处理大型代码库中的调试任务特别有用，开发者可以提供大量代码上下文，以获得更准确的编码建议。

此外，Code Llama还推出了两个特别版本：Code Llama - Python 和 Code Llama - Instruct。

考虑到Python在AI社区的重要性，Code Llama - Python针对 Python代码进行了特别优化（使用100B token的Python代码数据进行微调），使其在生成Python代码时更加流畅和准确。

CodeLlama-70B-Python还可以处理一系列任务，例如网络抓取、数据分析、机器学习（ML）和Web开发。

而Code Llama - Instruct则通过接受自然语言指令和期望输出的方式进行训练，使其更擅长根据用户的需求生成代码或答案。

CodeLlama-70B-Instruct还可以用于处理排序、搜索、过滤和操作数据，以及实现算法（二进制搜索、斐波那契和阶乘等）。

官方建议在需要代码生成时优先考虑使用Code Llama - Instruct，以获得更安全、更有用的结果。

需要注意的是，主要用于编程问题的Code Llama和Code Llama - Python，并不适合处理一般的自然语言任务。

基准测试

下面看一下新的Code Llama在同类模型中的表现如何，这里采用业内广泛应用的编程基准测试：

HumanEval和Mostly Basic Python Programming (MBPP)。

HumanEval是一个包含164个编程问题的基准数据集，用于测试代码生成模型的功能正确性和逻辑性，而MBPP则测试模型依据具体描述编写代码的技巧。

我们可以看到前代的34B表现已经很好了，而参数量翻了一倍的Code Llama 70B老大哥直接霸榜，并且相比于34B性能显著提升。

其中，CodeLlama-70B-Instruct在HumanEval上得分高达67.8，超过了CodeGen-16B-Mono（29.3）和StarCoder（40.1）等开放模型之前的最佳成绩，并与GPT-4（68.2）和Gemini Pro（69.4）等闭源模型相当。

当然，为了更负责任地开发AI模型，Meta已经采取了多项安全措施，并对生成恶意代码的风险进行了量化评估。

结果显示，相比于ChatGPT（GPT3.5 Turbo），Code Llama给出的回答更为安全。

挑战GPT-4，coding模型卷起来了！

目前，通过各各类主流的平台和框架都可以访问和使用Code Llama 70B，例如Hugging Face、PyTorch、TensorFlow和Jupyter Notebook。

此外，Meta AI还提供了针对不同目的和语言，使用和微调模型的文档和教程。

而随着模型的发布，各大AI平台也纷纷加入了对Code Llama 70B的支持：

并且还可以直接开玩：

更有大佬把Code Llama 70B跑到了苹果的处理器上，只不过「有点热」。

然后这位索性把Code Llama 70B直接量化到了4 bit。

参考资料：

https://ai.meta.com/blog/code-llama-large-language-model-coding/

本文来自微信公众号“新智元”（ID:AI_era），作者：新智元，编辑：alan 好困，36氪经授权发布。