Une étude sur les modèles de langage pour le code

A Survey on Language Models for Code

November 14, 2023

Auteurs: Ziyin Zhang, Chaoyu Chen, Bingchang Liu, Cong Liao, Zi Gong, Hang Yu, Jianguo Li, Rui Wang

cs.AI

Résumé

Dans ce travail, nous passons en revue de manière systématique les avancées récentes dans le traitement du code avec des modèles de langage, couvrant plus de 50 modèles, 30 tâches d'évaluation et 500 travaux connexes. Nous classons les modèles de traitement du code en deux catégories : les modèles de langage généraux, représentés par la famille GPT, et les modèles spécialisés, pré-entraînés spécifiquement sur du code avec des objectifs adaptés. Nous discutons des relations et des différences entre ces modèles, et mettons en lumière la transition historique de la modélisation du code, passant des modèles statistiques et des RNN aux Transformers pré-entraînés et aux LLMs, un parcours identique à celui suivi par le domaine du NLP. Nous abordons également les caractéristiques spécifiques au code, telles que l'AST, le CFG et les tests unitaires, ainsi que leur application dans l'entraînement des modèles de langage pour le code. Nous identifions les défis majeurs et les directions futures potentielles dans ce domaine. Nous maintenons cette étude ouverte et mise à jour sur un dépôt GitHub à l'adresse suivante : https://github.com/codefuse-ai/Awesome-Code-LLM.

English

In this work we systematically review the recent advancements in code processing with language models, covering 50+ models, 30+ evaluation tasks, and 500 related works. We break down code processing models into general language models represented by the GPT family and specialized models that are specifically pretrained on code, often with tailored objectives. We discuss the relations and differences between these models, and highlight the historical transition of code modeling from statistical models and RNNs to pretrained Transformers and LLMs, which is exactly the same course that had been taken by NLP. We also discuss code-specific features such as AST, CFG, and unit tests, along with their application in training code language models, and identify key challenges and potential future directions in this domain. We keep the survey open and updated on github repository at https://github.com/codefuse-ai/Awesome-Code-LLM.