Uma Análise sobre Modelos de Linguagem para Código

A Survey on Language Models for Code

November 14, 2023

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

cs.AI

Resumo

Neste trabalho, realizamos uma revisão sistemática dos avanços recentes no processamento de código com modelos de linguagem, abrangendo mais de 50 modelos, 30 tarefas de avaliação e 500 trabalhos relacionados. Dividimos os modelos de processamento de código em modelos de linguagem geral, representados pela família GPT, e modelos especializados que são pré-treinados especificamente em código, frequentemente com objetivos personalizados. Discutimos as relações e diferenças entre esses modelos e destacamos a transição histórica da modelagem de código, desde modelos estatísticos e RNNs até Transformers pré-treinados e LLMs, seguindo exatamente o mesmo caminho que foi adotado pelo NLP. Também abordamos características específicas de código, como AST, CFG e testes unitários, juntamente com sua aplicação no treinamento de modelos de linguagem para código, e identificamos os principais desafios e direções futuras potenciais nesse domínio. Mantemos a pesquisa aberta e atualizada no repositório GitHub em 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.