yucc-leon/codellm-data-preprocess-pipeline

代码大模型 预训练&微调&DPO 数据处理 业界处理pipeline sota

代码大模型领域,目前各大公司开源的都是模型,鲜少对数据处理过程有提及;但是数据处理是LLM应用中不可或缺的一环.

处理流程图见 file/预训练数据处理架构.png

关键技术点:

FIM,

tree_sitter,

文件拓扑图,

函数依赖解析

有哪些优势

50G的仓库,30min内处理完毕整个流程,二级多进程,多处多进程

支持tres_sitter 代码语义解析,构建单行/多行/行内 FIM,长文件实现前后FIM拼接

支持文件拓扑图,实现对 python/go/cpp/c的 头文件依赖解析,并构拓扑图,被依赖在前,依赖在后

函数依赖解析,实现对python/go的函数依赖解析,函数构图,根据中心函数向外发散查找到1度函数，2度函数等，用于实现相关性搜索,RAG增强,测试用例训练数据整理

预训练代码数据清洗

    cd shells/
    bash multi_process_pipeline.sh

脚本中4大模块

python ../repo_graphs/multi_dedup_file.py

分仓库分语言分文件进行清洗,解析每个文件头文件,构建文件依赖关系

对每个函数的依赖关系进行解析,构建函数级依赖关系

整理为可去重文件形式

python -u ../clean/bigcode_dataset/near_deduplication/minhash_deduplication.py

文件级别清洗去重

调用bigdata相关去重逻辑,minhash+graph

python -u $workdir/repo_graphs/multi_graph_repo.py

对去重后的文件进行构图,构建文件依赖关系图

文件内容依据tree_sitter识别代码语义结构,构建fim语料

正则清洗

可逆数据替换

python -u $workdir/clean/bigcode_dataset/pii/main_process.py

基于bigdata处理逻辑，pii脱敏

微调数据清洗脚本

bash parse_sql_data.sh

解析仓库文件，生成测试用例训练数据

bash testcase_debug.sh

一些辅助工具

解压打包的仓库文件

bash assist/unzip_repo.sh

cd pys/assist

求最佳阈值,抑制幻觉

python calc_logp_thres.py

随机选择评估数据集

python create_data_reflow_eval.py

从sft训练数据格式,转为dpo数据格式

python create_rl_data.py

cd testcase

python gen_testcase.py

生成测试用例训练数据