卡内基梅隆大学的研究人员推出了一个开源的自动代码生成器模型 PolyCoder，具有 27B 参数，基于 GPT-2 架构，在一台机器上对跨越 12种编程语言的 249GB 代码进行了训练。训练结果表明，在 C 编程语言中，PolyCoder 优于包括 Codex 在内的所有模型。

研究人员指出，OpenAI 的 Codex 于去年 8 月发布，可通过微软拥有的 GitHub 的 Copilot 工具获得;但它通过黑盒 API调用提供对模型输出的“non-free access”，模型的权重和训练数据并不可用。DeepMind 声称其最近发布的 AlphaCode代码生成器在人类参与的编程比赛中排名前 54.3%，但是训练这个模型需却要在谷歌的数据中心进行"hundreds of petaFLOPSdays"的训练。

“尽管大型语言代码模型取得了巨大成功，但最强的模型都尚未公开。这阻止了这些模型在资源充足的公司之外的应用，并限制了资源匮乏的组织在这一领域的研究。”

为了解决这一问题，他们推出了 PolyCoder。该模型使用来自 GitHub 的多个存储库的数据进行训练，涵盖 12种流行的编程语言：C、C#、C++、Go、Java、JavaScript、PHP、Python、Ruby、Rust、Scala 和TypeScript。未经过滤的数据集总共有 631GB 的数据和 3890 万个文件。此外，为了训练 PolyCoder，研究人员选择了GPT-2(因为预算有限)。

不过虽然 PolyCoder 在 C 语言方面的表现优于所有模型，但 Codex 在其他语言方面仍然要胜过 PolyCoder。

“值得注意的是，PolyCoder 在 C 语言方面优于 Codex 和所有其他模型。在比较单独的开源模型时，PolyCoder 在C、JavaScript、Rust、Scala 和 TypeScript 方面的表现比类似规模的 GPT-Neo 2.7B 更好。在除 C 语言以外的其他 11种语言中，所有其他开源模型，包括我们的，都明显比 Codex 差(higher perplexity)。”

​ ​详情可查看​ ​

本文标题：开源 AI 代码生成器 PolyCoder：擅长 C 语言，优于 Codex