/ Модель

Характеристики

Контекст
1 024 токена
Параметры
1,3 млрд
Лицензия
MIT
Архитектура
llama · dense
Библиотека
sentence-transformers
Опубликована
30 окт 2024

OASIS-code-1.3B

ЭмбеддингиТекст → embedding4 профессии

Модель Kwaipilot для получения эмбеддингов кода и семантического поиска программных фрагментов.

128скачиваний за 30 дней14лайковвеса обновлены20 мар 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 «Эмбеддинги» — 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

OASIS-code-1.3B — модель для создания векторных представлений кода, разработанная Kwaipilot. Она предназначена для поиска фрагментов кода по смыслу и построения систем кодового поиска, сопоставляющих запрос с релевантными фрагментами в разных программных контекстах. Модель основана на плотной архитектуре Llama и содержит 1,3 млрд параметров; для работы с текстом и кодом использует контекст до 1024 токенов.

При обучении применялись анализ программ на уровне репозитория, синтетические данные OASIS-instruct и специальная функция потерь для поиска. В README сообщается о результатах на бенчмарках поиска кода. Модель опубликована в формате safetensors, библиотека загрузки — Sentence Transformers. Лицензия MIT. Для запуска авторы предупреждают о проблеме совместимости PyTorch 2.5.0 при загрузке с bfloat16 и рекомендуют версии 2.4.1 или ниже либо 2.5.1 и выше.

Сценарии применения

  • поиск фрагментов кода по текстовому запросу
  • поиск похожего кода в репозитории
  • создание эмбеддингов для индексации исходного кода
  • ранжирование кандидатов в системе поиска кода

Ограничения

Контекст ограничен 1024 токенами. При загрузке с bfloat16 PyTorch 2.5.0 может вызывать проблемы; авторы рекомендуют использовать PyTorch 2.4.1 или более раннюю версию либо 2.5.1 и новее.

Для каких профессий подходит4

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 OASIS-1.3B

News 📢

  • 🔥 [2025/03/12] Our latest Code Embedding Model OASIS-code-1.5B is now released.
  • 🔥 [2025/03/12] Our preprint is now available at OASIS-arxiv.

Model Details

Model Name: OASIS (Order-Augmented Strategy for Improved code Search)

Introduction

OASIS is a state-of-the-art code embedding model developed by Kwaipilot. This model incorporates unique, proprietary methods including repository-level program analysis, the OASIS-instruct data synthesis algorithm, and a specialized fusion loss function, setting new benchmarks in code search efficiency and accuracy.

Intended Use

This model is ideal for developers and researchers engaged in enhancing code retrieval systems. OASIS excels in scenarios requiring semantic understanding and retrieval of code snippets within varied programming contexts.

Training and Performance

OASIS was trained on a synthetic dataset created through repository-level analysis, ensuring broad understanding across different coding styles and languages. It has demonstrated state-of-the-art performance on latest code search benchmarks.

Future Directions

Kwaipilot upcoming initiatives include:

  • Open sourcing improved models.  Please visit our latest model OASIS-code-1.5B.
  • Releasing technical reports.  Our preprint is now available at OASIS-arxiv.
  • Releasing natural language processing models.
  • ...

Performance

SizeCoSQAAdvTestCSN-PyCSN-JaCSN-JSCSN-PHPCSN-GoCSN-RubyAvg
Openai-Embedding-Ada-002Unknown0.44230.38080.68020.71490.67500.60620.85630.74720.6378
jina-embeddings-v2-base-code161M0.68370.3850.66340.68030.63040.57010.85950.70950.6477
CodeSage-large1.3B0.47530.52670.70770.70210.6950.61330.83710.71920.6595
CodeFuse-CGE-Small3.8B0.56190.46390.69580.68630.65640.61330.86370.73410.6594
OASIS-1.3B1.3B0.55320.48610.71100.71990.67270.62170.87320.73330.6713

Usage

Direct Usage

pip install -U torch
pip install -U transformers

Avoid using torch=2.5.0 when loading the model with torch_dtype=torch.bfloat16. For optimal performance and stability, please use PyTorch version 2.4.1 or earlier, or upgrade to 2.5.1 or later.

import torch
import torch.nn.functional as F

from torch import Tensor
from transformers import AutoModel, AutoTokenizer

def last_token_pool(last_hidden_states: Tensor, attention_mask: Tensor) -> Tensor:
    left_padding = (attention_mask[:, -1].sum() == attention_mask.shape[0])
    if left_padding:
        return last_hidden_states[:, -1]
    else:
        sequence_lengths = attention_mask.sum(dim=1) - 1
        batch_size = last_hidden_states.shape[0]
        return last_hidden_states[torch.arange(batch_size, device=last_hidden_states.device), sequence_lengths]

# Add query prompt
def get_query_prompt(query: str):
    query_description = 'Given a code search query, retrieve relevant code snippet that answer the query'
    prompt = f'Instruct: {query_description}\nQuery: {query}'
    return prompt

query = "How to do quicksort in python?"

code1 = """def bubble_sort(arr):
    n = len(arr)
    for i in range(n):
        swapped = False
        for j in range(1, n - i):
            if arr[j - 1] > arr[j]:
                arr[j - 1], arr[j] = arr[j], arr[j - 1]
                swapped = True
        if not swapped:
            break
    return arr"""

code2 = """def quick_sort(arr):
    if len(arr) <= 1:
        return arr
    else:
        pivot = arr[0]
        less = [x for x in arr[1:] if x <= pivot]
        greater = [x for x in arr[1:] if x > pivot]
        return quick_sort(less) + [pivot] + quick_sort(greater)"""

model = AutoModel.from_pretrained("Kwaipilot/OASIS-code-1.3B", output_hidden_states=True)
tokenizer = AutoTokenizer.from_pretrained("Kwaipilot/OASIS-code-1.3B")

# Tokenize and inference
inputs = tokenizer([get_query_prompt(query), code1, code2], max_length=8192, padding=True, truncation=True, return_tensors='pt')
outputs = model(**inputs)

# Last token pooling
embeddings = last_token_pool(outputs.hidden_states[-1], inputs['attention_mask'])
print(embeddings.shape)
# torch.Size([3, 2048])

embeddings = F.normalize(embeddings, dim=1, p=2)
similarity = embeddings @ embeddings.T
print(similarity[0, 1:])
# tensor([0.6495, 0.8036])

Sentence Transformers

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("Kwaipilot/OASIS-code-1.3B")#, model_kwargs={"torch_dtype": torch.bfloat16})

query = "How to do quicksort in python?"

code1 = """def bubble_sort(arr):
    n = len(arr)
    for i in range(n):
        swapped = False
        for j in range(1, n - i):
            if arr[j - 1] > arr[j]:
                arr[j - 1], arr[j] = arr[j], arr[j - 1]
                swapped = True
        if not swapped:
            break
    return arr"""

code2 = """def quick_sort(arr):
    if len(arr) <= 1:
        return arr
    else:
        pivot = arr[0]
        less = [x for x in arr[1:] if x <= pivot]
        greater = [x for x in arr[1:] if x > pivot]
        return quick_sort(less) + [pivot] + quick_sort(greater)"""

# Run inference
query_embedding = model.encode([query], prompt_name="query")
code_embeddings = model.encode([code1, code2])

print(code_embeddings.shape)
# (2, 2048)

# Get the similarity scores for the embeddings
print(model.similarity(query_embedding[0], code_embeddings[0]))
print(model.similarity(query_embedding[0], code_embeddings[1]))
# tensor([[0.6495]])
# tensor([[0.8036]])

BibTeX

@misc{kwaipilotoasis,
  title = {Optimized Augmentation Strategy for Improved code Search},
  author = {Kwaipilot team},
  year = {2024},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaModel
Ревизия весов
37b3d16

0 моделей