IBM 最近發布了一組名為 "Granite Code" 的開源型，旨在幫助企業完成各種軟件開發任務，并在基準測試中表現出色。這些模型不僅過了一些較大的開源競爭對手，而且在編程任務中展現出了強大的性能。

　　Granite Code 型分為基礎模型和指導模型，每種模型都有四個不同規模的變種，參數數量從30到340億不等。這些模型的上下文窗口相對較短，例如，其中一個模型的上下文窗口只有128K，這限制了其在包含特定文檔或自己的代碼庫等提示信息時的有效性。不過，IBM 目正在開發具有更大上下文窗口的版本。

　　基礎模型的訓練分為兩個階段。第一階段使用自116種編程語言的3-4萬億個標記進行訓練，以建立廣泛的理解能力。在第階段，這些模型使用來自高質量代碼和自然語言數據的5000億個標記進行進一步訓練，以強邏輯推理能力。

　　指導模型是通過對基礎模型進行改進而創建的，改進方法包括篩選提交記錄、自然語言指令記錄和合成生成的代碼數據集。

　　在包括代碼合成、調試、解釋、編輯、學推理等多個基準測試中，Granite Code 模型在各個規模和基準測試中表現出色，常常超過開源模型兩倍以上的大小。例如，在 HumanEvalPack 基準測試中，Granite-8B-Code-Base 的平均得為33.2%，超過谷歌最佳表現的 CodeGemma-8B 模型的21.3%，盡管 Granite-8-Code-Base 所使用的標記數量明顯較少。

　　這些模型的大部分訓練數據來自一個清理過的 GitHub 集 StarCoderData 和其他公開可用的代碼庫。這一點非常重要，因為目前有一些關于其他代碼型(包括 GitHub 本身)涉嫌侵犯訓練數據版權的訴訟。

　　IBM 計劃定期更新這些模型，很快將推出具有更大上下文窗口以及針對 Python 和 Java 的專業化版本。這些模型已經在 Hugging FaceGitHub 上可用，并且也是 IBM 的 watsonx 企業平臺的一部分。

　　IBM 的 Granite Code 是一專門用于編程的開源模型，它們在基準測試中表現優異，同時具有較少的參數數量。些模型的特點包括靈活的規模選擇、基于廣泛訓練數據的邏輯推理能力和良好的性能未來，IBM 還計劃不斷改進和更新這些模型，以滿足不同編程任務的需求。