8 月 12 日，在掘力计划系列第 21 场《解析大语言模型的训练和应用》活动中，智谱 AI 的薛宇飞博士应邀作了题为《CodeGeeX：从代码生成模型到 AI 编程助手》的技术分享。
薛宇飞博士是智谱 AI 大模型事业部的副总裁，他拥有清华大学计算机系的博士学位和博士后经历，在人工智能领域有多年的研究和产品经验，曾任职于多家顶级科技公司。这次薛博士以自身团队在代码生成模型方面的研究为切入点，详细介绍了从训练一个大规模的通用代码生成模型，到落地产品化并开发 IDE 插件，最终使广大开发者能够享受到 AI 编程助手带来的便利。背景：编程向更简单方向发展
从计算机诞生以来，编程工作就在不断朝着更简单、更符合人的思维逻辑方向发展。早期的机器语言极为复杂难懂，汇编语言相比机器语言提高了可读性和生产效率，然后出现了面向过程和面向对象的高级语言，进一步降低了编程的门槛。近年来，低代码平台的兴起使不专业的开发者也能参与软件开发，AI 辅助代码生成技术更是让自动编程成为可能。自动生成代码的想法随着人工智能技术的进步也在逐步实现。早期主要采用基于规则的方法，2015 年第一次有研究将深度学习应用于代码生成，取得了一定进展。2020 年， Transformer 架构不仅通过 GPT-3 模型展示它在自然语言生成方面的惊人能力，也开始被应用到了代码生成领域。2021 年，OpenAI 推出了规模达到百亿参数的 Codex 代码生成模型，使自动代码生成真正具备实用性。此后，业界纷纷推出自己的代码生成模型和编程助手产品。
CodeGeeX 模型训练
CodeGeeX 项目于 2022 年 1 月启动，4 月开始正式训练，6 月训练完成。训练数据主要来源于公开数据集和 GitHub 高质量代码。公开数据集提供初始训练语料，GitHub 代码经筛选后确保质量。第一版 CodeGeeX 支持 23 种编程语言，其中 Python、C++、Java 的训练代码量最大。大模型可以从不同语言中学习通用逻辑，不需要语言完全均衡。原始代码数据需要进行预处理。首先对代码进行分词，然后将每个词转换成对应的 ID，得到模型可直接识别的格式。此外，每个代码片段前加语言标识，让模型更好地学习到不同语言的特性。
CodeGeeX 采用 GPT 结构，包含 40 个 Transformer 层，参数总量达到 130 亿。基于 GPT 的生成方式是顺序生成，每次根据前文预测下一个词。训练过程中团队与华为合作，在华为昇腾 910 AI 处理器上完成。使用 FP16 精度、数据并行和模型并行训练技术，经过两个月完成。
训练过程中，CodeGeeX 团队还与华为昇思 MindSpore 团队的工程师一起对训练框架进行了优化。如通过算子融合等技术，将训练速度提升了 2.5 倍；加入流水线并行后，整体效率可提升 3 倍之多。这些成果为后续国产芯片的大模型训练带来借鉴。模型评测与优化
训练完成后，对模型进行评测与优化才能使其投入实际使用。由于之前针对多语言代码生成模型缺乏科学的评测基准，团队基于 HumanEval 构建了 HumanEval-X 评测基准，将其从只支持 Python 扩展到 C++、Java、JavaScript 和 Go 五种语言，可以更全面地评估模型的多语言生成能力。评测结果显示，CodeGeeX 在 Python 和 Java 上的 Pass@1 指标明显优于对手模型，其他语言也有出色表现，是当时综合表现最优的开源多语言代码生成模型。
为减小模型大小便于实际部署，团队使用量化与推理优化技术。最终模型从 27GB 降低到 15GB，推理速度也提升 2 倍多。基于上述工作，CodeGeeX 能够在普通 GPU 上流畅运行。
AI 编程助手应用
代码生成模型完成之后，团队着手开发 IDE 插件，将模型应用到实际编程过程中。CodeGeeX 插件支持 VS Code 和 JetBrains 等主流 IDE。用户可以利用代码补全、生成注释等功能，也可以通过自然语言聊天提问。代码补全可以智能提示后续代码 ; 语义代码注释可自动添加详细注释 ; 代码翻译可以在多种语言之间转换。这些功能都基于 CodeGeeX 模型或在其基础上进行微调得到。用户可以选择中文或英文注释。新版模型支持更多语言，如 Kotlin、Vue 等。
CodeGeeX 插件可以自动生成复杂 SQL 查询语句，通过公开 SQL 练习平台的题目，前 20 题全部正确，最后 10 题也有很多正确，达到可助力编程的程度。该插件已经累积 15 万用户，日活跃 2.5 万，获得广大开发者认可。
CodeGeeX 2.0 模型升级
今年 7 月团队推出了第二代模型 CodeGeeX2-6B。它 使用 ChatGLM2-6B 作为基底模型，在此基础上使用代码数据进行微调。这样一来，新模型规模减小到 6B，但效果显著提升，如 Python Pass@1 提升 57%，已超过参数规模更大的 StarCoder 模型。CodeGeeX2 继承了 ChatGLM2 的中英文语言理解能力，支持更长的文本序列。此外，支持语言种类从 23 种提升到上百种。新版模型权重对学术研究完全开放，可在 GitHub 或 Hugging Face 上获取权重的下载及使用方式。
结语
综上所述，CodeGeeX 从一个编程语言生成模型发展成一个可供广大开发者使用的 AI 编程助手，已经走过两年时间。期间团队进行了模型设计、训练、评估、优化、产品化等一系列创新性的工作。先使用 GPT 结构训练出百亿参数规模的通用模型，然后以 ChatGLM 为基础进行调优，使新版模型效果更优。在 IDE 插件中集成代码生成等功能，真正将 AI 的力量带入到开发的日常之中。
当前 CodeGeeX 插件已经积累大量用户，也获得他们的认可。团队将继续改进产品，以期让编程对所有人来说都更简单、更有效率。大模型编程助手正在成为编程发展的新方向，相信未来必将惠及更多开发者，提升软件开发的生产力。
关于掘力计划
掘力计划由稀土掘金技术社区发起，致力于打造一个高品质的技术分享和交流的系列品牌。聚集国内外顶尖的技术专家、开发者和实践者，通过线下沙龙、闭门会、公开课等多种形式分享最前沿的技术动态。（作者：蒋浩）