根据官方提供的信息，训练 SantaCoder 的基础是 The Stack（v1.1）数据集，SantaCoder 虽然规模相对较小，只有 11 亿个参数，在参数的绝对数量上低于 InCoder（67 亿）或 CodeGen-multi（27 亿），但 SantaCoder 的表现则是要远好于这些大型多语言模型。不过也正是参数远远不及 GPT-3 等参数超过千亿级别的超大型语言模型，SantaCoder 适用的编程语言范围也比较有限，仅支持 Python、Java 和 JavaScript 三种语言。

为了照顾用户隐私和保证训练质量，在训练模型之前，BigCode 注释了 400 个样本，并建立和不断完善 RegEx 规则，以便在训练前从数据集的代码中删除诸如电子邮件地址、密钥和 IP 地址等敏感信息。

为了让开发者可以放心使用 SantaCoder 生成的代码，BigCode 推出了 Dataset Search 搜索工具。通过这个工具，开发者可以找出代码的来源，以便在 SantaCoder 产生的代码属于某一个项目的情况下，用户能够遵守相应的许可要求。

此外，BigCode 还推出了「Am I in The Stack?」工具，开发者可以检查自己名下的仓库是否是训练数据集的一部分，可以将自己的开源仓库从数据集中删除。

BigCode 目前已经在 Huggingface 网站中提供了 SantaCoder 演示，供任何人研究试用。

原文来自：https://www.oschina.net/news/222809/bigcode-santacoder

本文地址：https://www.linuxprobe.com/bigcode-python-java.html编辑：xiangping wu，审核员：清蒸github

Linux命令大全：https://www.linuxcool.com/

Linux系统大全：https://www.linuxdown.com/

红帽认证RHCE考试心得：https://www.rhce.net/