仅用5M数据超过OpenAI？快手最新Code Embedding模型OASIS(绿洲)发布_新浪科技

最近,Kwaipilot团队正式宣布开源 OASIS(Optimized Augmentation Strategy for Improved code Search)Code Embedding模型。Kwaipilot与南方科技大学Arise实验室进行合作共研,在代码检索领域实现了突破性进展,仅仅使用5M Tokens数据大幅领先OpenAI,在多个Code Search benchmark中显著超越现有最佳水平。

什么是代码表征(Code Embedding)?

随着代码库规模的持续扩大,开发者越来越依赖高效的代码检索系统来提升开发效率。传统的关键词匹配方法已经无法满足现代软件开发的需求。代码表征(Code Embedding)技术通过将代码片段转化为向量表示,使机器能够深入理解代码语义,从而实现更智能的代码检索。Code Embedding模型在代码检索、仓库级代码问答,代码补全等场景中发挥不可或缺的作用。

图 1. 代码表征搜索[1]

OASIS用了哪些黑科技?

OASIS的训练只使用了5M Tokens的数据,远低于SOTA模型的训练样本数,通过结合程序分析技术与创新设计的损失函数,以极低的成本就在多个测试集上超越了现有的SOTA模型。

具体来说,OASIS 模型采用了多项创新技术:

仓库级程序分析:传统方法仅关注单个代码片段,缺少代码的上下文信息,结合南方科技大学Arise实验室技术,OASIS 引入了仓库级别的程序分析技术。通过分析函数调用关系和依赖结构,模型能够更好地理解代码在更大上下文中的语义,相比于孤立地使用函数的docstring,程序分析技术可以引入额外的上下文信息构建高质量样本对。

OASIS-instruct 数据合成算法:我们开发的专有数据增强策略能够自动生成高质量的训练样本。这些样本包含代码和自然语言的对应关系,使模型能够学习到更细腻的语义差异。

融合式损失函数:创新性地将多目标优化策略应用于模型训练,确保模型在保持传统Code Embedding模型能力的情况下,既能准确区分相似样本,又能识别细微的语义差异,在优化目标的角度添加了新的训练维度。

OASIS到底有多强?

在权威的代码检索基准测试中,OASIS 展现出了令人瞩目的性能:

OASIS在训练过程中并不包含测试集提供的训练集的情况下,在 CSN、CoSQA、AdvTest 等主流评测集上,性能优越。平均检索准确率优于现有所有同尺寸的Code Embedding模型,具体来说,以5M数据训练在三个不同的代码检索数据集全面超越OpenAI-Ada-002。在使用的数据量显著少于Codesage-Large的情况下,在CoSQA数据集上超过7.8%。在模型尺寸仅为三分之一的情况下在平均检索成功率全面超越CodeFuse-CGE-Small,多个数据集领先明显。

CodeSearchNet (CSN)数据集

该数据集包含超过200万个代码-文档对,涵盖Python、Java、JavaScript等六种主流编程语言。数据主要来源于函数级别的代码及其对应的文档字符串(docstring),使用自然语言的docstring作为查询(query)。

CoSQA 数据集

CoSQA数据集是一个包含20,000+对自然语言查询和代码的标注数据集,每个数据对都至少由3名人类标注者进行标注。CoSQA数据集中的查询来源于真实的网络搜索,反映了开发者在日常工作中遇到的具体需求,而代码片段则从不同的数据集中精心筛选,以确保多样性和质量。

AdvTest 数据集

AdvTest数据集专门用于测试代码搜索任务的难度。它通过规范化函数名和变量名来增加挑战性,并从原始数据中过滤出高质量的样本。该数据集包含近2万的测试样本,旨在评估模型在代码理解和搜索方面的性能。

OASIS模型仅使用了5M的训练数据,以1.3B的参数量在CSN,CoSQA,AdvTest数据集了超过SOTA模型,性能表现远超OpenAI-Embedding-Ada-002。

OASIS有哪些应用场景?

OASIS 的应用场景广泛:

在智能代码检索方面,OASIS能准确理解开发者的查询意图,从海量代码库中精准定位最佳实践代码片段。当开发者输入具体需求描述时,模型能从海量代码库中精准定位最佳实践代码片段,并优先推荐与当前项目技术栈相匹配的示例。