在人工智能技术飞速发展的今天，代码生成与编辑工具始终是开发者高度关注的领域。毕竟，每一位程序员都渴望拥有一位高效可靠的AI编程助手。

2024年9月5日，零一万物正式开源了Yi-Coder系列模型。作为Yi家族中专攻代码生成的“编程能手”，其表现令人惊喜。这是继2024年5月开源Yi-1.5系列之后，零一万物的又一次重要开源贡献。

模型Demo的创意灵感，借鉴了https://github.com/nutlope/llamacoder中的体育宝贝Logo设计。当然，真正的实力还要看模型的内在表现。

模型简介

Yi-Coder系列模型专为编码任务设计，提供1.5B和9B两种参数规模。尤其值得关注的是，Yi-Coder-9B在10B参数以下的模型中展现出卓越性能，不仅超越了CodeQwen1.5 7B和CodeGeex4 9B，甚至能与DeepSeek-Coder 33B这样的较大规模模型一较高下。

模型特点

紧凑参数，强劲性能：虽然模型体积小巧，但Yi-Coder在代码生成、理解、调试和补全等各项任务上表现优异。10B以下的参数量使其在端侧部署和使用中极具优势。

128K长序列建模：一句话概括，Yi-Coder支持长达128K tokens的上下文处理。这意味着在复杂项目级代码的理解与生成中，它能高效捕捉深藏于代码中的长期依赖关系。

强大的代码生成能力：支持52种主流编程语言，无论是代码生成还是跨文件代码补全，Yi-Coder都能从容应对。

模型成绩

代码生成基准测试中名列前茅

LiveCodeBench是一个综合性评测平台，它从LeetCode、AtCoder、CodeForces等竞赛平台上实时采集新问题，构建了动态基准测试库。

为了彻底排除数据污染风险，由于Yi-Coder的训练数据截止于2023年底，我们专门选取了2024年1月至9月的题目进行评测。结果显示：Yi-Coder-9B-Chat的通过率达到23.4%——在10B以下参数量的模型中，唯一通过率超过20%的模型。这一成绩甚至超越了DeepSeek-Coder-33B-Instruct的22.3%、CodeGeex4-All-9B的17.8%、CodeLLama-34B-Instruct的13.3%以及CodeQwen1.5-7B-Chat的12%。

除了这些高难度的竞赛题目，我们还使用了Zero-shot HumanEval、3-shot MBPP和CRUXEval-O等行业标准基准测试，以评估其基础代码生成和推理能力。

结果同样令人瞩目：Yi-Coder-9B-Chat在HumanEval和MBPP上的通过率分别达到85.4%和73.8%，领先于同类模型。尤其值得注意的是，其在CRUXEval-O上的准确率在开源Coder模型中首次突破50%。

代码编辑和补全能力强劲

CodeEditorBench覆盖代码调试、翻译、优化和需求转换四个关键维度。测试结果显示，Yi-Coder-9B-Chat在开源代码大语言模型中排名第一，无论在Primary还是Plus子集上，都稳定优于DeepSeek-Coder-33B-Instruct和CodeQwen1.5-7B-Chat。

在代码补全方面，Yi-Coder同样表现出色。与常规代码生成不同，跨文件补全要求模型理解并访问多个文件中的依赖关系。本次评估采用CrossCodeEval基准，分别在检索和不检索上下文两种场景下进行。

结果十分明确：无论是否检索上下文，Yi-Coder的表现均优于其他同规模模型。这表明，经过长上下文长度的软件仓库级代码语料训练，Yi-Coder能够有效捕获长期依赖关系，从而提升整体性能。

长序列建模表现优秀

为了更直观地测试长序列能力，我们借鉴文本领域流行的长序列评测方法，构建了128K长序列的“Needle in the code”评估任务。任务逻辑简单：在一个超长代码库中随机插入一个简单的自定义函数，然后检测模型能否在代码库末尾准确复现该函数。这本质上测试的是模型从长文本中提取关键信息的能力。

结果全部通过（绿色），表明Yi-Coder-9B在128K长度范围内完美完成了任务。

数学推理能力毫不逊色

DeepSeek Coder此前的研究发现，强大的编码能力能够反向增强数学推理能力。Yi-Coder在7个数学数据集上评估了代码辅助（PAL）解题能力：每个数据集中，模型通过生成Python代码并执行来得出最终答案。

七个任务的平均准确率结果显示，Yi-Coder 9B的准确率达到70.3%，超越DeepSeek-Coder 33B的65.8%。

模型使用

如果想立即上手体验，可以查阅Yi-Coder的README文档，其中包含详细的下载与使用步骤。

截至目前，Yi开源系列模型家族已包含Yi、Yi-1.5、Yi-VL、Yi-Coder等多款模型。我们鼓励大家积极探索大语言模型的更多可能，将Yi系列模型集成到自己的项目中，亲身感受其强大能力。

共勉。

END