/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
1,8 млрд
Размер весов
46,5 ГБ
Лицензия
MIT
Архитектура
mixtral · MoE
Опубликована
22 янв 2025

KwaiCoder-23B-A4B-v1

Генерация текстаТекст → текст3 профессии

Открытая MoE-модель Kwaipilot для автодополнения и вставки кода в контекст.

269скачиваний за 30 дней17лайковвеса обновлены24 янв 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

KwaiCoder-23B-A4B-v1 — открытая модель автодополнения кода, разработанная командой Kwaipilot компании Kuaishou. Она предназначена для продолжения фрагментов кода и вставки кода в заданный контекст.

Модель использует архитектуру MoE семейства Mixtral; в метаданных указано 1,8 млрд параметров и контекст до 4096 токенов. README описывает обучение с применением обрезки модели, дистилляции знаний и тонкого слияния, но базовая модель не указана. Метаданные отмечают поддержку многоязычности, однако конкретные языки программирования и естественные языки не перечислены.

Модель распространяется по лицензии MIT. Заявление README о высоких результатах на нескольких наборах оценки не сопровождается названиями бенчмарков или численными результатами; качество для конкретных языков и сценариев по имеющимся данным оценить нельзя.

Сценарии применения

  • автодополнение кода в редакторе
  • генерация продолжения незавершённого фрагмента кода
  • вставка кода в заданный участок файла

Ограничения

В README не приведены названия бенчмарков и численные результаты, поэтому заявленные высокие показатели нельзя проверить по карточке. Конкретные поддерживаемые языки программирования не перечислены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Kwaipilot KwaiCoder-23B-A4B-v1

1.Model Details

Introduction

KwaiCoder-23BA4-v1 is the latest open-source self-developed code completion model from the Kwaipilot team at Kuaishou. The training of the model relies on an efficient training approach proposed by the Kwaipilot team. By incorporating techniques such as model pruning, knowledge distillation, and fine-grained merging, the training of the 23B-wide MoE architecture code completion model was achieved at 1/30 of the cost compared to traditional methods. It has also set new SOTA benchmarks across multiple code-related evaluation datasets.

Performance

2.Usage

Code Completion

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
model_id = "Kwaipilot/KwaiCoder-23B-A4B-v1"
tokenizer = AutoTokenizer.from_pretrained(model_id,trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto", torch_dtype=torch.bfloat16,trust_remote_code=True)
text = "#write a quick sort algorithm"
inputs = tokenizer(text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=80)
print(tokenizer.decode(outputs[0], skip_special_tokens=True)[len(text):])

Code Insertion

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
model_id = "Kwaipilot/KwaiCoder-23B-A4B-v1"
tokenizer = AutoTokenizer.from_pretrained(model_id,trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto", torch_dtype=torch.bfloat16,trust_remote_code=True)
text = """<|fim▁begin|>def find_longest_substring(s):
    seen = {}
    max_length = 0
    start = 0
<|fim▁hole|>
        if char in seen and seen[char] >= start:
            start = seen[char] + 1
        seen[char] = end
        max_length = max(max_length, end - start + 1)
    return max_length<|fim▁end|>"""
inputs = tokenizer(text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=80)
print(tokenizer.decode(outputs[0], skip_special_tokens=True)[len(text):])

3.License

This code repository is licensed under the MIT License.

4.BibTex

@misc{kwaicoder,
  title = {KwaiCoder: Code mathematical abilities comprehensive improvement.},
  author = {Kwaipilot team},
  year = {2024},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MixtralForCausalLM
Ревизия весов
6c1bcce

0 моделей