【Hacker News搬运】OpenCoder：顶级代码大型语言模型的开放式食谱

hackernews

Title: OpenCoder: Open Cookbook for Top-Tier Code Large Language Models

OpenCoder：顶级代码大型语言模型的开放式食谱

Text:

Url: https://opencoder-llm.github.io/

很抱歉，作为一个AI，我无法直接访问或分析外部网页内容。不过，我可以根据你提供的链接和一般的网页内容描述来给你一些信息。

根据你提供的链接 `https://opencoder-llm.github.io/`，这看起来像是一个GitHub Pages的网址，可能是一个开源项目的个人或组织网站。通常，这样的网站会包含以下内容：

1. **项目介绍**：简要介绍项目的目的、功能和目标用户。
2. **文档**：详细文档，包括如何安装、配置和使用该项目。
3. **示例**：展示如何使用该项目的代码示例。
4. **贡献指南**：对于开源项目，通常会有如何贡献代码的指南。
5. **联系方式**：提供联系信息，如电子邮件、社交媒体等。

如果你需要对这个网站上的内容进行抓取和分析，你可以使用如BeautifulSoup（Python库）这样的工具来解析网页内容。以下是一个简单的Python代码示例，展示如何使用BeautifulSoup抓取网页标题和内容：

```python
from bs4 import BeautifulSoup
import requests

# 网页URL
url = "https://opencoder-llm.github.io/"

# 发送HTTP请求
response = requests.get(url)
response.encoding = response.apparent_encoding  # 根据响应自动解码

# 使用BeautifulSoup解析网页
soup = BeautifulSoup(response.text, 'html.parser')

# 找到标题
title = soup.find('title').text
print("Title:", title)

# 找到页面主要内容
content = soup.find('div', class_='main-content')
print("Content:")
if content:
    for paragraph in content.find_all('p'):
        print(paragraph.text)

请注意，上述代码是一个基本示例，具体的HTML结构和类名可能需要根据实际的网页内容进行调整。

如果你需要将非中文内容翻译成中文，你可以使用如Google Translate API或百度翻译API这样的服务。以下是一个使用Google Translate API进行翻译的简单示例：

from googletrans import Translator

translator = Translator()
text_to_translate = "This is an English text that needs to be translated into Chinese."
translated_text = translator.translate(text_to_translate, src='en', dest='zh-cn').text
print(translated_text)

请确保你有合法的API密钥，并且遵守API的使用条款。

        
## Post by: pil0u
        
### Comments: 
        
**marmaduke**: &gt; Unlike most prior efforts, we release not only model weights and inference code, but also the reproducible training data, complete data processing pipeline, rigorous experimental ablation results, and detailed training protocols for open scientific research.<p>Regardless of the specific performance of this model versus another model, I think it’s good to keep in mind that everyone benefits from this kind of work
> **marmaduke**: &gt；与之前的大多数努力不同，我们不仅发布了模型权重和推理代码，还发布了可重复的训练数据、完整的数据处理流程、严格的实验消融结果和详细的开放科学研究训练协议<p> 无论这种模式与另一种模式的具体性能如何，我认为最好记住，每个人都能从这种工作中受益
            
**v3ss0n**: Tested , so much hallucination , cannot hold a candle against Qwen 2.5 or even General Purpose model Mistral-Nemo.
> **v3ss0n**: 经过测试，如此多的幻觉无法与Qwen 2.5甚至通用型号Mistral Nemo相提并论。
            
**atilimcetin**: Home page of that arxiv paper: <a href="https:&#x2F;&#x2F;opencoder-llm.github.io&#x2F;" rel="nofollow">https:&#x2F;&#x2F;opencoder-llm.github.io&#x2F;</a>
> **atilimcetin**: 该arxiv论文的主页：<a href=“https:&#x2F；&#x2F; opencoder llm.github.io.”rel=“nofollow”>https:&#x2F；opencoder llm.github.io</一
            
**johndough**: I was wondering why Figure 1 showed a HumanEval score of 61.6 for Qwen2.5-Coder-7B, but Table 1 shows a score of 88.4, i. e. better than this new model with a score of 66.5.<p>The reason is that those are actually two different models (Qwen2.5-Coder-7B-Base with 61.6, Qwen2.5-Coder-7B-Instruct with 88.4).
> **johndough**: 我想知道为什么图1显示Qwen2.5-Coder-7B的HumanEval得分为61.6，但表1显示的得分为88.4，即比这个新模型的得分66.5要好。<p>原因是这实际上是两个不同的模型（Qwen2.5-Coder-7B-Base的得分为61.6%，Qwen25-Coder-7B-Instruct的得分为884%）。
            
**rustcleaner**: Anyone doing training where the metadata of the compilation and execution (like profiling data) is included?  Maybe such inclusion could help nudge models in more code-efficient directions?  I don&#x27;t know, I&#x27;m only a laygenius at this stuff.
> **rustcleaner**: 有人在进行包含编译和执行元数据（如分析数据）的培训吗？也许这样的包含可以帮助推动模型朝着更高效的代码方向发展？我不知道；我不知道，我；我只是这方面的外行。