CodeFuse新开源模型荣登Big Code评测榜首！-编程知识

使用多任务高效微调框架MFTCoder，以DeepSeek-Coder-33b模型为底座，微调获得的CodeFuse-DeepSeek-33b模型在Big Code Models Leaderboard代码大模型榜单上以43.58% WinRate成为新晋榜首，同时模型在NLP任务上也取得了很好的表现。本文我们将介绍该模型的得来和使用，包括训练数据、训练超参设置、模型评测效果以及如何获取该模型和基于它继续微调。我们已经在HuggingFace和ModelScope开放了模型下载（下载地址在文末），并同步提供了4bit量化版本供大家直接部署到生产环境。

图1: Big Code Models LeaderBoard榜单截图（截取时间2024-01-30）。Big Code Models Leaderboard（https://huggingface.co/spaces/bigcode/bigcode-models-leaderboard）是由HuggingFace BigCode团队维护的代码大模型榜单，是代码大模型领域比较权威的评测榜单。

多任务微调MFT

我们选择以DeepSeek-Coder-33b模型为底座，使用多任务微调框架MFTCoder对5个下游任务数据进行微调，得到CodeFuse-DeepSeek-33b模型。以下将更为详细地进行介绍。

训练数据

本次训练我们设置了5个下游任务，如下表1所示，包括代码补全任务、文本生成代码任务、单测生成任务、自然语言表述对齐任务和代码练习题任务，共约168万样本数据。得益于我们开源的多任务微调框架MFTCoder，这些下游任务能一定程度上相互促进，比直接将所有任务数据混合为一后微调表现更优。

表1: 下游任务训练数据统计

序号	MFT下游任务	任务能力	#Samples
1	单测用例生成	给定函数级代码生成单元测试用例	390,393
2	代码补全	根据前文补全代码（方法级）	192,547
3	文本生成代码	基于文本描述生成功能代码	66,862
4	NLP表述对齐	增强NLP理解能力	951,278
5	代码练习题 (JAVA/CPP/GO)	基于文本描述生成基础功能代码	82,603
	#Total		1,683,683

关键超参设置

本次微调使用的是我们已经开源的多任务微调框架MFTCoder(https://github.com/codefuse-ai/MFTCoder/tree/main/mftcoder_accelerate)，MFTCoder支持多模型适配（包括Llama 1/2、CodeLlama、Qwen、Baichuan 2、ChatGLM 2/3、CodeGeex 2、GPT-NEOX、Mistral、DeepSeek等）、多任务并行、多种均衡Loss设计、PEFT（Lora和QLora）高效微调，此前已被采纳为Qwen Code AI竞赛初赛推荐微调框架（通义千问AI挑战赛 - Code Qwen能力算法赛道_算法大赛_赛题与数据_天池大赛-阿里云天池的赛题与数据）。本次训练使用的关键超参设置如下表2所示，更多详细的参数说明可参考https://github.com/codefuse-ai/MFTCoder/tree/main/mft_peft_hf#32-loraqlora

表2： MFTCoder微调关键超参设置及解释

参数名称	参数值	简要解释
data_split	"98,2,0"	98%数据用于训练，2%用于验证
padding_mode	"padding"	使用动态填充模式，即每张卡每个batch大小是由每次其中的最长者动态决定而不是固定大小。另一种可选数据模式是"pack"。
dynamic_padding	True
weighted_loss_mode	"case3"	使用数据均衡Loss函数，更多细节可见论文https://arxiv.org/abs/2311.02303
peft_type	"qlora"	采取QLora 4bit量化微调模式
quantization	"4bit"	采取QLora 4bit量化微调模式
lora_rank	192	决定可训练参数比例
lora_alpha	32	决定可训练参数比例
per_device_train_batch_size	4	训练时单卡batch大小
per_device_eval_batch_size	4	验证时单卡batch大小
learning_rate	5e-5	初始学习率
min_lr	1e-6	最小学习率
gradient_accumulation_steps	1	梯度累积步数，如果为2，则每累积2步再更新参数，资源不足是一种间接增加global batch size的方式
world_size	64	GPU卡数，使用64张A100/A100卡
evalation_steps	500	每500步验证一次
checkpointing_steps	500	每500步保存一次检查点
num_train_epochs	10	最大训练轮数，最大10轮
early_stopping	True	开启early-stopping机制，即当连续3个检查点的eval loss均比倒数第4个检查点的eval loss大时终止训练
early_stopping_stall_num	3

使用前述训练数据和配置，经过156.5小时，模型在完成5.09 Epochs训练后触发Early-Stopping策略后终止。

模型效果

我们从代码能力和NLP能力两个方面对训练获得的CodeFuse-DeepSeek-33b进行了测试，pass@1测试均采用greedy解码模式（即doSample=False, num_beams=1, num_return_sequences=1）。

代码能力

我们选取了常用的代码评测集对模型进行评测，首先我们使用自己的CodeFuse-Evaluation评测框架（https://github.com/codefuse-ai/codefuse-evaluation）对模型在HumanEval-X（含HumanEval）和MBPP测试集上的表现进行了测试并与CodeFus此前微调过的模型进行了比较，如下表3和表4所示。

CodeFuse-DeepSeek-33b在HumanEval上pass@1指标值为78.65%、在MBPP上为71%（zero-shot），两项平均为74.83%，略高于DeepSeek-Coder-Instruct-33B。

CodeFuse-DeepSeek-33b在多语言评测集HumanEval-X上pass@1指标值平均为67.07%，比此前我们开放的CodeFuse-CodeLlama-34b模型高6.69%，在具体各种语言上高出3.48%~12.19%不等。

表3: CodeFuse-DeepSeek-33b模型与其他开源底座模型及微调模型在HumanEval和MBPP上的对比

表4: CodeFuse-DeepSeek-33b模型与其他开源底座模型及MFT微调模型在HumanEval-X上的对比

由于不同评测框架在代码后处理和生成终止条件（Stop Words）等方面常存在差异，除了用我们自己的CodeFuse-Evaluation评测框架，我们也用代码大模型榜单Big Code Models LeaderBoard所用的开源评测框架bigcode-evaluation-harness (https://github.com/bigcode-project/bigcode-evaluation-harness)进行了评测，并与榜单上的模型进行了比较。榜单会测试模型在Python代码补全测试集HumenEval和多语言代码补全测试集MultiPL-E共12种语言上的表现，并根据各语言表现进行WinRate排序。（结果复现代码地址：https://github.com/twelveand0/bigcode-evaluation-harness）

表5：采用bigcode-evaluation-harness评测CodeFuse-DeepSeek-33b模型后的新榜单

如表5所示，CodeFuse-DeepSeek-33b模型的WinRate为43.58%，超过原榜首DeepSeek-Coder-33b-instruct。在HumanEval评测集上，CodeFuse-DeepSeek-33b表现不如DeepSeek-Coder-33b-instruct，但在其他8种语言（包括Java和JS等）上超过后者，均值（Average Score）亦超过后者1.7%。

NLP通用能力

对于NLP通用能力测试，我们参照OpenCompass选择了18个评测集，包括语言能力（AFQMC、CHID、Wic、WSC）、推理能力（COPA、CMNLI、OCNLI、Ax-b、Ax-g、RTE）、理解能力（CSL、C3、EPRSTMT）、学科综合能力（MMLU、C-Eval、ARC-c）、代码能力（HumanEval、MBPP）。对于每个模型，我们会使用生成式和PPL方式计算每个指标，并在每个维度上选取两种方式中较高的值作为指标值。

图2: CodeFuse-DeepSeek-33b NLP通用能力雷达图

CodeFuse-DeepSeek-33b模型的评测结果如图3雷达图所示，我们将其与底座模型DeepSeek-Coder-33b和DeepSeek通用模型DeepSeek-67b-Chat进行了对比。从图中可以看出，相较于底座模型DeepSeek-Coder-33b，CodeFuse-DeepSeek-33b在所有维度上均有正向提升；相较于我们此前开源的CodeFuse-CodeLlama-34b，CodeFuse-DeepSeek-33b在绝大多数维度上表现更优；相较于通用模型DeepSeek-67b-Chat，CodeFuse-DeepSeek-33b在语言能力、代码能力和理解能力上整体表现更优，在推理能力上表现稍差，在学科综合能力上差距较大。考虑到模型参数规模差距和底座目标功能类型差异，我们认为CodeFuse-DeepSeek-33b已经表现很好。

模型INT4量化

为了便于直接部署投入生产，我们同步提供了CodeFuse-DeepSeek-33b-INT4量化版本。对于量化后的模型，我们测试了它的代码能力，如表5所示，量化后模型在代码补全任务上只有微弱降幅。

表5：模型量化前后在HumanEval-X和MBPP上的指标对比

Model	HumanEval-X					MBPP
Model	Python	Java	C++	JS	Go	MBPP
CodeFuse-DeepSeek-33b	78.65%	67.68%	65.85%	67.07%	56.10%	71.0%
CodeFuse-DeepSeek-33b-INT4	78.05%	68.29%	62.19%	64.63%	55.49%

此外，我们测试了该模型实际部署后的性能。测试环境为单张A10（24G显存）、部署框架为NVIDIA开源的tensorRT。测试结果具体如表6所示：

表6: CodeFuse-DeepSeek-33b-INT4在单张A10的推理性能

模型版本	CodeFuse-DeepSeek-33b
推理速度指标	Tokens/s
模型并行/gpu型号		单卡A10
量化格式		int4
输入/输出长度 (batch_size=1)	16/8	21.7
	64/32	21.5
	256/128	21.1
	1024/512	20.5

模型下载试用

我们开放了量化前后2个模型的下载，提供了推理格式和推理示例，并说明了如何在此基础上继续微调。

下载

我们已经将2个模型（CodeFuse-DeepSeek-33b和CodeFuse-DeepSeek-33b-INT4）发布到HuggingFace和ModelScope社区，大家可以选择通过以下链接下载：

Model	HuggingFace	ModelScope
CodeFuse-DeepSeek-33b	https://huggingface.co/codefuse-ai/CodeFuse-DeepSeek-33B	CodeFuse-DeepSeek-33B
CodeFuse-DeepSeek-33b-4bits	https://huggingface.co/codefuse-ai/CodeFuse-DeepSeek-33B-4bits	CodeFuse-DeepSeek-33B-4bits

推理格式与代码

CodeFuse-DeepSeek-33b使用的推理格式如下：

<s>system
{THIS IS YOUR SYSTEM PROMPT}
<s>human
{THIS IS YOUR PROMPT of ROUND 1}
<s>bot
{THIS IS MODEL's RESPONSE of ROUND 1}
<s>human
{THIS IS YOUR PROMPT of ROUND 2}
<s>bot

在这个格式中，sysem部分是可选的，对话轮数可以是多轮的也可以是单轮的。下面是一些具体的案例展示：

<s>human
请写一个快排程序
#Python
<s>bot

<s>system
你是CodeFuse，你会被给定一个任务，你必须按照用户的要求完成任务。
<s>human
请写一个快排程序
#Python
<s>bot
下面是一个使用Python编写的快速排序算法的示例代码：
```python
def quick_sort(arr):if len(arr) <= 1:return arrpivot = arr[len(arr) // 2]left = [x for x in arr if x < pivot]middle = [x for x in arr if x == pivot]right = [x for x in arr if x > pivot]return quick_sort(left) + middle + quick_sort(right)
# 测试快速排序算法
arr = [3, 6, 8, 10, 1, 2, 1]
print(quick_sort(arr))
```
这段代码定义了一个`quick_sort`函数，它接受一个列表作为参数，并返回排序后的列表。在函数内部，首先判断列表的长度是否小于等于1，如果是，则直接返回列表本身。否则，选择列表中间的元素作为基准值，并将列表分成三个部分：小于基准值的部分、等于基准值的部分和大于基准值的部分。然后，对这三个部分分别递归调用`quick_sort`函数进行排序，最后将排序后的三个部分合并并返回。
通过这个示例，你可以了解到如何使用Python编写快速排序算法，并对其进行测试。
<s>human
请为以上代码生成单测用例
<s>bot

下面是一段示例的推理代码：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfigmodel_dir = "codefuse-ai/CodeFuse-DeepSeek-33B"def load_model_tokenizer(model_path):tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)tokenizer.eos_token = "<｜end▁of▁sentence｜>"tokenizer.pad_token = "<｜end▁of▁sentence｜>"tokenizer.eos_token_id = tokenizer.convert_tokens_to_ids(tokenizer.eos_token)tokenizer.pad_token_id = tokenizer.convert_tokens_to_ids(tokenizer.pad_token)tokenizer.padding_side = "left"model = AutoModelForCausalLM.from_pretrained(model_path, device_map='auto',torch_dtype=torch.bfloat16, trust_remote_code=True)return model, tokenizerHUMAN_ROLE_START_TAG = "<s>human\n"
BOT_ROLE_START_TAG = "<s>bot\n"text_list = [f'{HUMAN_ROLE_START_TAG}Write a QuickSort program\n#Python\n{BOT_ROLE_START_TAG}']model, tokenizer = load_model_tokenizer(model_dir)
inputs = tokenizer(text_list, return_tensors='pt', padding=True, add_special_tokens=False).to('cuda')
input_ids = inputs["input_ids"]
attention_mask = inputs["attention_mask"]
generation_config = GenerationConfig(eos_token_id=tokenizer.eos_token_id,pad_token_id=tokenizer.pad_token_id,temperature=0.1,max_new_tokens=512,num_return_sequences=1,num_beams=1,top_p=0.95,do_sample=False
)
outputs = model.generate(inputs= input_ids,attention_mask=attention_mask,**generation_config.to_dict()
)
gen_text = tokenizer.batch_decode(outputs[:, input_ids.shape[1]:], skip_special_tokens=True)
print(gen_text[0])

继续微调

如果你想在这两个模型基础上继续微调，欢迎使用我们开源的多任务高效微调框架MFTCoder（https://github.com/codefuse-ai/MFTCoder/tree/main/mftcoder_accelerate）。要继续微调，你需要准备好训练数据集（CodeFuse-ChatML格式）、设置训练配置文件、设置运行配置文件并启动训练。这里提供一个对Qwen-1.8模型用MFTCoder进行微调的案例供参考：https://github.com/codefuse-ai/MFTCoder/tree/codeqwen_competition/mft_peft_hf。