Llama 2系列又上新，这回是Meta官方出品的开源编程大模型Code Llama。
模型一发布，官方直接给贴了个“最强”标签，还强调了一把“免费可商用”。
关键是，Code Llama支持10万token上下文，这可把网友们乐坏了：这是一口气读6000行Python代码不费劲的节奏啊。
OpenAI创始成员Karpathy也闻讯前来围观，还指出了隐藏在论文中的“华点”：Code Llama没有公布的一个“unnatural”版本，性能已经超过ChatGPT，逼近GPT-4。
支持10万token上下文
具体而言，Code Llama可以说是Llama 2的代码专用版，你既可以通过聊天的方式让它生成代码、解决编程问题，也可以用它来调试代码。
支持的语言包括Python、C++、Java、PHP、Typescript(Javascript)、C#和Bash等。
Meta提供了Code Llama的三个不同版本：
Code Llama，基础代码模型;
Code Llama-Python，Python微调版;
Code Llama-Instruct，自然语言指令微调版。
其中，Python微调版是在1000亿token的Python代码数据上进行微调的。
而Instruct版则能够更好地理解自然语言提示。
和Llama 2一样，Code Llama的3个版本各有3种不同尺寸的模型可供选择，分别是7B、13B和34B。
每个模型都被喂进了5000亿token的代码及代码相关数据。
Meta提到，其中7B模型可以在单个GPU上运行。
另外，7B和13B的基础模型和Instruct版模型都有FIM(fill-in-the-middle)功能。也就是说，它们具备代码填充的能力，可以被用到IDE的代码自动补全场景中。
而最受网友关注的一个功能亮点是，Code Llama的全系列模型都进行了长序列上下文微调，最长支持10万token上下文。
这就意味着，你可以把整个代码库直接塞给Code Llama，再也不用担心大模型帮你调代码的时候根本不理解你想要啥。
有网友就提到，目前GPT-4、GitHub Copliot在实际使用中的一大问题，就是上下文窗口太短，理解不了项目的整体需求。
不过，论文提到，当提示长度超过1.6万token时，Code Llama全系列模型的检索准确性(retrieval accuracy)都有所下降。
最强开源编程大模型
Meta分别在HumanEval和MBPP上测试了Code Llama的性能。
结果显示，Code Llama的表现在一众开源模型中位列第一，超过了Llama 2。
具体来说，Code Llama-Python 34B在HumanEval上得分为53.7%，在MBPP上得分为56.2%，超过了GPT-3.5(ChatGPT)的48.1%和52.2%。
基础模型版本和Instruct版本也有接近GPT-3.5的表现。
值得一提的是，在论文中，Meta还测试了一个“unnatural”34B版本，性能碾压一众模型，包括ChatGPT，仅略逊于GPT-4。
另外，Meta也在更多样化的编程语言数据集上评估了Code Llama的表现。
在任何语言的代码生成中，Code Llama都优于相同大小的Llama 2。从综合得分来看，Code Llama的7B模型甚至超过了Llama 2的70B模型。
同时，Code Llama 7B的表现也超过了CodeGen-Multi和StarCoder等编程大语言模型，水平与Codex相当。