又一写代码AIGC代码生成模型开源，程序员来检验一下效果！
大家好，我是千寻哥，我最近准备成为了日更技术博主，哈哈哈，就是得给自己立个FLag，人才会有动力进步！
我发现一说，出现了哪些自动生成代码的工具，80%的程序员都是会一些焦虑的。没办法，选择程序员这一行就注定了会有35岁这个存在也可能不存在的危机感！
不过天空飘来五个字：那都不是事！程序员需要发展自己的副业，最好是可以反哺你的主业，哈哈哈，AI时代一切跟上洋哥，把握AIGC生成暂时的，可能也是最后一个风口！那么我们直接进入正题。
最近Meta 开源代码专用大模型 Code Llama，且免费商用。效果也非常好，不过，仅仅又过了一天，Phind 微调版 Code Llama 又迎来了一个强劲的对手。这次是 WizardLM 团队的编程专用大模型 WizardCoder。
该团队推出了基于 Code Llama 的最新版本模型 WizardCoder 34B，它利用 Evol-Instruct 进行微调而成。
- GitHub 地址：https://github.com/nlpxucan/WizardLM/tree/main/WizardCoder
- Huggingface：https://huggingface.co/WizardLM/WizardCoder-Python-34B-V1.0
此次具体版本是 WizardCoder-Python-34B-V1.0，下图是与主流闭源和开源模型的 HumanEval pass@1 比较。除了最新 API 的 GPT-4（该团队测试后得到的结果是 82.0%），该模型超越了所有闭源和开源模型，包括最新 API 的 ChatGPT（72.5%）和原始 GPT-4（67%）。
因此，WizardCoder-Python-34B-V1.0 成为了最新的 SOTA 开源代码大模型。
WizardLM 团队还表示，WizardCoder-Python-34B-V1.0 的性能百分之百是可以复现的。
想要体验 WizardCoder-Python-34B-V1.0 的小伙伴可以尝试以下 demo。
测试demo 地址：http://47.103.63.15:50085/
有人表示，在试了 demo 后发现，提供准确代码之前似乎有 COT（思维链）在起作用，这非常棒。
还有人表示，WizardCoder-Python-34B-V1.0 要比 GPT-4 犯的错更少。
不过运行 WizardCoder-Python-34B-V1.0 需要 32GB 以上的 Mac电脑。
WizardLM 团队会带来更多惊喜
WizardCoder 在成为代码家族一员已经不是新鲜事，但是 WizardLM 团队每次都会给大家带来不一样的惊喜。
斯坦福发布的大语言模型排行榜 AlpacaEval 是一种基于 LLM 的全自动评估基准，且更加快速和可靠。很多著名的模型如 GPT-4、ChatGPT 等都在其上刷榜单。在这其中，WizardLM 13B V1.2 依旧在第六位。
下面我们直接进入实操的教程部分，作为AIGC模型，必须检验传统算法效果以及算法生成效果，哈哈哈，还有面试必考的八股文！
(1)首先使用生成模型写冒泡法数组排序的python代码：
（2）代码生成结果：
（3）如果不是程序员的朋友，别着急，我还帮大家准备了IDE环境下的验证，在pycharm编辑器运行：
运行的排序效果不错，冒泡法排序的时间复杂度是O（N²）
可能冒泡法排序，算是比较检测的算法测试，下面我们再测试一下，新的内容。
现在正值秋招以及金九银十，相信很多的面试者都会比较头疼八股文，让我们测试一下WizardCoder模型对计算机八股文的回答效果怎么样！
（4）来一道计算机网络的八股文提问验证一下WizardCoder大模型的功能
问题：可以用中文讲讲HTTPS与HTTP请求的区别吗？
以下是回答的截图：
从专业的角度来看，回答的还是不错的，基本和搜索引擎是一个水平，不过并不是100%的精准，但是还是那句话，大模型的研究是一个趋势，必须坚持!
那么既然可以在数据结构与算法领域以及八股文的领域进行使用，那么你肯定还会想，既然是python的大模型，在深度学习领域的效果到底如何呢？
（5）训练深度学习模型训练来验证WizardCoder生成代码的能力
问题：使用python3以及torch写一个训练手写数字的代码：
以下是回答的截图：
我们来验证一下代码写的如何，放入Google Colab实验环境，进行运行。
运行输出结果：
怎么样，运行的准确率94.64%，也表示出来即使是随机生成的代码，准确率也是不错的。
经过千寻的多次测试验证，感觉python3的相关代码生成最为准备，大家可以用来生成脚本，进行测试！
除了实操应用，我们对生成模型的工作原理进行内容解析如下，包括其常见的参数设定，以及如何设定的背后逻辑。
（6）生成模型的Max tokens参数设定
PS：在这里我们可以看到，进行模型推理计算的时候，有一个Max tokens的参数设定，这个参数是做什么的呢？
我们在以上的参数设定中Max tokens参数修改为64，可以发现最明显的变化是生成的语句变短了，大家可以这么理解，Max tokens作为请求的次数限制，如果极致一点，设置为max tokens=1：
生成的内容之一个：Here！
（7）生成模型的Temperature温度参数设定
关于温度参数的设定，大家可以把它类比为New Bing AI的标准化以及创造力的平衡参数，Temperature越接近0，生成的答案就越标准客观，Temperature越接近1，生成的答案也就越具有创造力。
Temperature = 1：
最明显的一个区别就是具有明显的解释，更加人性化。
怎么样，效果是不是还不错呢，千寻觉得适当的焦虑可以帮助你有动力去努力生活，但是可千万不能太焦虑，影响正常的生活节奏！
千寻也测试了一下，目前为止的代码大模型确实已经可以在一定程度上替代程序员了，但是我认为，程序员想做到不失业，要学会拥抱变化！利用这些大模型提高你的开发效率才是王道！
我是千寻哥，一个只讲干货的码农，我们下期见~
