Qwen2.5-Coder^[1] 是由阿里云Qwen团队开发的Qwen2.5大型语言模型系列的代码版本。该系列模型致力于推动开源代码语言模型（Open CodeLLMs）的发展。

项目特点

主要特点

1. 强大：Qwen2.5-Coder-32B-Instruct是目前开源代码模型中的最佳模型，编码能力与GPT-4o相当。它不仅在编程能力上表现出色，还具备良好的通用和数学技能。
2. 多样：在之前开源的1.5B/7B两种大小的基础上，本次发布了包括0.5B/3B/14B/32B在内的四种模型大小。至此，Qwen2.5-Coder已经覆盖了六种主流模型大小，以满足不同开发者的需求。
3. 实用：在代码助手和Artifacts两个场景中探索了Qwen2.5-Coder的实用性，并通过一些示例展示了Qwen2.5-Coder在现实世界场景中的潜在应用。

使用场景

Qwen2.5-Coder支持长上下文理解和生成，上下文长度可达128K令牌，支持92种编程语言，包括常见的C、C++、Java、Python等。它在数学和通用能力上保留了基础模型的优势。

项目使用

环境要求

• python>=3.9
• transformers>4.37.0

快速开始

与Qwen2.5-Coder-32B-Instruct聊天

使用transformers库中的几行代码即可与Qwen2.5-Coder-32B-Instruct进行聊天。以下是如何与Qwen2.5-Coder-32B-Instruct聊天的示例代码：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen2.5-Coder-32B-Instruct"
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype="auto", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = "write a quick sort algorithm."
messages = [
    {"role": "system", "content": "You are Qwen, created by Alibaba Cloud. You are a helpful assistant."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(**model_inputs, max_new_tokens=512)
generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

使用Qwen2.5-Coder-32B进行编码

• 基础用法

from transformers import AutoModelForCausalLM, AutoTokenizer

# 加载模型和分词器
model_name = "Qwen/Qwen2.5-Coder-32B-Instruct"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

# 编写提示
prompt = "Write a Python function that adds two numbers and returns the result."
input_ids = tokenizer.encode(prompt, return_tensors="pt")

# 生成代码
output = model.generate(input_ids, max_length=50)
generated_code = tokenizer.decode(output[0], skip_special_tokens=True)

# 打印生成的代码
print(generated_code)

• 文件级代码完成

准备一个包含部分代码的文件，希望模型帮助完成剩余的代码。Prompt结构如下所示：

prompt = '<|fim_prefix|>' + prefix_code + '<|fim_suffix|>' + suffix_code + '<|fim_middle|>'

from transformers import AutoTokenizer, AutoModelForCausalLM
# load model
device = "cuda" # the device to load the model onto

TOKENIZER = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-Coder-32B")
MODEL = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-Coder-32B", device_map="auto").eval()

input_text = """<|fim_prefix|>def quicksort(arr):
    if len(arr) <= 1:
        return arr
    pivot = arr[len(arr) // 2]
    <|fim_suffix|>
    middle = [x for x in arr if x == pivot]
    right = [x for x in arr if x > pivot]
    return quicksort(left) + middle + quicksort(right)<|fim_middle|>"""

model_inputs = TOKENIZER([input_text], return_tensors="pt").to(device)

# Use `max_new_tokens` to control the maximum output length.
generated_ids = MODEL.generate(model_inputs.input_ids, max_new_tokens=512, do_sample=False)[0]
# The generated_ids include prompt_ids, we only need to decode the tokens after prompt_ids.
output_text = TOKENIZER.decode(generated_ids[len(model_inputs.input_ids[0]):], skip_special_tokens=True)

print(f"Prompt: {input_text}\n\nGenerated text: {output_text}")

• 仓库级别代码完成方法

Prompt结构如下所示：

input_text = f'''<|repo_name|>{repo_name}
<|file_sep|>{file_path1} 
{file_content1}
<|file_sep|>{file_path2} 
{file_content2}'''

更多详细内容请查看项目仓库页面。

参考文档

• Qwen教程^[2]
• Qwen2.5-Coder技术报告^[3]
• Discord^[4]
• 微信群^[5]。

注：本文内容仅供参考，具体项目特性请参照官方 GitHub 页面的最新说明。

欢迎关注&点赞&在看，感谢你的阅读~