來源：量子位
比 Codex 還會(huì)寫 C 語言的 AI 代碼生成模型，現(xiàn)在開源了！這段時(shí)間，用 AI 寫代碼可以說是大火，其中最著名的要屬 OpenAI 的 Codex 和 DeepMind 的 AlphaCode。然而，這兩個(gè) AI 模型，全都沒有開源：其中 AlphaCode 只給出了一些測(cè)試樣例，而 Codex 只開放了 API。
△基于 Codex 的 Copilot
為此，來自 CMU 的幾個(gè)研究人員，用 GPT-2 搞出了一個(gè)名叫PolyCoder的 AI 代碼生成模型，而且還是開源的。
據(jù)研究人員表示，雖然 PolyCoder 最大只有 27 億參數(shù)（相比 Codex 有 120 億參數(shù)），但它用C 語言寫出來的代碼，比 Codex 的效果還要好。
這里面究竟有什么秘訣？
用 12 種編程語言代碼集訓(xùn)練
首先來看訓(xùn)練用的數(shù)據(jù)集，這也是 PolyCoder 的最大特點(diǎn)之一。
此前，包括 Codex、CodeParrot 等 AI 代碼生成模型，主要都是基于Python語言的代碼來訓(xùn)練。
例如 Codex 的評(píng)估數(shù)據(jù)集之一 HumanEval，評(píng)估的也是生成 Python 代碼的效果。
相比之下，PolyCoder采用了多種編程語言代碼集來訓(xùn)練，一共有 12 種：
C、C#、C++、Go、Java、JavaScript、PHP、Python、Ruby、Rust、Scala 和 TypeScript。
其中，C 語言的代碼量是最多的，達(dá)到了 221GB；而 Python 代碼的數(shù)據(jù)量比 Codex 和 CodeParrot 用得都要少。
這里 PolyCoder 用的是 GitHub 上的公開代碼，主要選取的是各種編程語言中比較受歡迎的庫，每個(gè)庫至少有 50 Stars。
據(jù)研究人員表示，每種編程語言庫的 Stars 總數(shù)加起來不超過 25k，以避免模型生成的代碼效果太過于傾斜最流行的編程語言（通常編程語言越流行，庫的 Stars 就越多）。
通過提取庫中的文件、經(jīng)過簡(jiǎn)單處理（包括消除重復(fù)代碼）后，一共篩選出大約254GB的數(shù)據(jù)用于訓(xùn)練。
然后是預(yù)訓(xùn)練的方法。
語言模型的預(yù)訓(xùn)練方法通常有三種。
第一種是自左向右的語言模型，根據(jù)上文預(yù)測(cè)下文，比較適用于代碼生成等；第二種是掩蔽語言模型，基于上下文預(yù)測(cè)屏蔽片段，比較適合代碼分類等；第三種是編解碼器模型，比較適用于代碼注釋等任務(wù)。
這里 PolyCoder 主要采用的是第一種預(yù)訓(xùn)練方法。
相比于同樣采用 GPT-2 訓(xùn)練的 CodeParrot 和 Codex，PolyCoder 在超參數(shù)設(shè)置上也稍微有一些差異：
PolyCoder 一共提供了三種不同的模型，分別有 27 億參數(shù)、4 億參數(shù)和 1.6 億參數(shù)，研究人員可以根據(jù)自身需求和不同的訓(xùn)練能力來選取合適的模型。
那么，最終訓(xùn)練出來的 AI 模型，代碼生成效果如何？
C 語言寫得尤其好，但 Python 不行
研究人員將 PolyCoder 與已有的 AI 代碼生成模型進(jìn)行了對(duì)比。
由于 AlphaCode 不好比較（接口沒開放），所以研究人員主要分析了下面這些模型，包括 GPT-Neo、CodeParrot 和 Codex 等。
其中藍(lán)色的是開源的，橙色的是沒開源的：
從參數(shù)量來看，PolyCoder 并不是最頂尖的，最大的 27 億參數(shù)模型也只有 Codex 的四分之一不到。
研究人員先是用語言模型評(píng)估常用的困惑度對(duì)一系列模型進(jìn)行了比較。
困惑度（Perplexity），用于衡量語言模型（LM）的好壞。困惑度越低，語言模型面對(duì)代碼感到困惑的程度就越低，模型生成效果越好。
從圖中來看，PolyCoder 在C 語言中意外取得了最好的效果（困惑度最低）。
用大量 C 語言訓(xùn)練 PolyCoder 的結(jié)果說明，即使模型整體原理不變（基于 GPT-2），單純改變訓(xùn)練用的代碼集，也能訓(xùn)練出擅長不同語言風(fēng)格的 AI 代碼生成模型。
可惜的是，從其他語言來看，生成的效果就完全沒辦法和 Codex 相比了：
例如，在主要用于評(píng)估 Python 代碼的 HumanEval 上，PolyCoder 的能力遠(yuǎn)不如 Codex 好：
據(jù)論文分析，這可能是 Python 代碼數(shù)據(jù)量、模型參數(shù)量不足等原因?qū)е碌摹?/p>
此外，作者們也提到，做出 PolyCoder 的目的主要還是為了開源一個(gè) AI 代碼生成模型，讓更多人參與研究和使用。
目前代碼已經(jīng)開源，無論是直接拿來用，還是試著在它的基礎(chǔ)上開發(fā)新模型都可以。
感興趣的小伙伴可以上手一試了 ~
作者介紹
一作許方正（Frank Xu），目前在 CMU 讀博，研究方向是 NLP、信息抽取等，發(fā)表過多篇頂會(huì)論文，包括 ICLR、ACL 和 EMNLP 等。本碩畢業(yè)于上海交通大學(xué)，師從朱其立教授。
Uri Alon，在 CMU 進(jìn)行博士后工作，研究方向是編程語言處理（PLP）、NLP 和深度學(xué)習(xí)。
Graham Neubig，CMU 助理教授，研究方向是 NLP、機(jī)器翻譯和基于機(jī)器學(xué)習(xí)的自然語言理解。
Vincent J. Hellendoorn，CMU 計(jì)算機(jī)助理教授，主要研究方向是軟件工程和機(jī)器學(xué)習(xí)，致力于利用智能方法幫助軟件開發(fā)人員減少代碼調(diào)試、程序優(yōu)化等繁瑣工作的時(shí)間。
不知道作者們是否已經(jīng)在用這個(gè) AI 擼代碼了（手動(dòng)狗頭）
