Модели больших языков (LLM) хороши для генерации кода. Иногда LLM допускают ошибки при генерации кода. Как насчет того, чтобы они могли дать подробное объяснение вместе с кодом. Это то, что я попробовал здесь. Базовая модель «Лама-3-8Б» использовалась в учебных целях. Он обучен примерно на 23000+ наборах кодов. В каждом наборе по 2 разговора. Эти данные были сгенерированы с использованием GPT-3.5, GPT-4 и т. д. Этот разговор ведется в формате Vicuna/ShareGPT. Каждый набор вместе с кодом имеет подробное пояснение. Детали обучения: — эпохи: 3 — скорость обучения: 0,0002 — тип планировщика скорости обучения: косинус — шаги разминки: 10 — длина отсечки (т.е. длина контекста): 4096 — шаги градиента накопления: 4 — размер микропакета: 4 — тип тонкой настройки: полные параметры — оптимизатор: adamwbnb_8bit Ниже приведены некоторые примеры, сгенерированные нашим Модель CodeLlama3-8B-python: Пользователь: на основе принципа алгоритма быстрой сортировки реализовать алгоритм быстрой сортировки на Python без использования каких-либо встроенных библиотечных функций. Входные данные должны представлять собой список, все элементы которого имеют тип float, и он должен возвращать отсортированный список. Не забудьте добавить комментарии к коду. Ассистент: алгоритм быстрой сортировки: «»» Алгоритм сортировки, который работает…
Модальности:
Генерация текста
Области применения:
Генерация кода Диалог / чат
Языки программирования:
Python
Задача: Генерация текста
Автор: Markhit
Теги: llama, code, conversational, en, text-generation-inference, endpoints_compatible
Лайков: 13 | Загрузок: 0
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
