/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Архитектура
roberta · dense
Опубликована
16 авг 2022

codebert-base-cd-ft

ЭмбеддингиТекст → embedding5 профессий

Модель преобразует фрагменты кода в 768-мерные эмбеддинги для поиска похожего и обнаружения клонов.

431скачиваний за 30 дней4лайкавеса обновлены11 дек 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

mchochlov/codebert-base-cd-ft — модель на базе RoBERTa, представленная в формате Sentence-Transformers и дообученная с помощью контрастивного обучения на фрагментах кода из BigCloneBench. Она преобразует код в плотные векторы размерности 768 и предназначена прежде всего для обнаружения похожих или скопированных фрагментов кода. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов.

Её можно применять для поиска клонов в репозиториях, сравнения фрагментов кода и построения поиска по сходству в пространстве эмбеддингов. Для использования доступны веса PyTorch и safetensors; README описывает запуск через Sentence-Transformers или Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

Сценарии применения

  • поиск скопированных фрагментов кода в репозитории
  • поиск похожих функций и методов
  • сравнение двух фрагментов исходного кода
  • кластеризация похожих фрагментов кода
  • поиск кода по сходству эмбеддингов

Ограничения

Контекст ограничен 514 токенами; для получения векторного представления при использовании Transformers требуется корректная операция pooling. Языки программирования и лицензия в предоставленных данных не указаны.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mchochlov/codebert-base-cd-ft

This is a sentence-transformers model: It maps code to a 768 dimensional dense vector space and is specifically fine tuned towards clone detection using contrastive learning on parts of BigCloneBench code.

Usage (Sentence-Transformers)

Using this model becomes easy when you have sentence-transformers installed:

pip install -U sentence-transformers

Then you can use the model like this:

from sentence_transformers import SentenceTransformer
code_fragments = [...]

model = SentenceTransformer('mchochlov/codebert-base-cd-ft')
embeddings = model.encode(code_fragments)
print(embeddings)

Usage (HuggingFace Transformers)

Without sentence-transformers, you can use the model like this: First, you pass your input through the transformer model, then you have to apply the right pooling-operation on-top of the contextualized word embeddings.

from transformers import AutoTokenizer, AutoModel
import torch


#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #First element of model_output contains all token embeddings
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)


# Sentences we want sentence embeddings for
sentences = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('mchochlov/codebert-base-cd-ft')
model = AutoModel.from_pretrained('mchochlov/codebert-base-cd-ft')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Perform pooling. In this case, max pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

Evaluation Results

For an automated evaluation of this model, see the Sentence Embeddings Benchmark: https://seb.sbert.net

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

Citing & Authors

Please cite this paper if using the model.

@inproceedings{chochlov2022using,
  title={Using a Nearest-Neighbour, BERT-Based Approach for Scalable Clone Detection},
  author={Chochlov, Muslim and Ahmed, Gul Aftab and Patten, James Vincent and Lu, Guoxian and Hou, Wei and Gregg, David and Buckley, Jim},
  booktitle={2022 IEEE International Conference on Software Maintenance and Evolution (ICSME)},
  pages={582--591},
  year={2022},
  organization={IEEE}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaModel
Ревизия весов
8175e99

0 моделей