CodeFuse：让研发变得更简单|代码|命令提示符|程序员|算法

OSCHINA

2023 年 9 月，蚂蚁集团首次开源了代码大模型 CodeFuse。

CodeFuse 是蚂蚁自研的代码生成专属大模型，根据开发者的输入提供智能建议和实时支持，帮助开发者自动生成代码、自动增加注释、自动生成测试用例，以及修复和优化代码等。

“让研发变得更简单”，成为了当年百模大战中，CodeFuse 向市场提交的一份答卷。

经过 1 年的不断努力，CodeFuse-DeepSeek-33b 模型在 Big Code 上以 43.58% WinRate 成为新晋榜首。

今天，我们有幸请到了蚂蚁集团高级算法专家余航，就 CodeFuse 的创新架构、特色功能，以及未来发展，带大家一起去聊聊：LLM 接入后的“研发 2.0”时代。

CodeFuse 开源官网：https://codefuse.ai

以下为采访内容整理。

受访人：余航

Title：蚂蚁集团高级算法专家

介绍：新加坡南洋理工大学博士，于 2020 年底加入蚂蚁集团。利用时序、图、NLP 算法助力技术风险领域智能化。2023 年开始从事 CodeFuse 代码大模型相关工作，负责底座模型建设。

架构先行：Rodimus 到底解决了什么？

时间回溯至去年百模大战的时候，市面上一众 LLM 虽说表现强劲，但对于国内广大厂商或开发者来说，其高昂的成本和相对低下的效率成为了 “术” 与 “用” 之间难以逾越的鸿沟。

蚂蚁意识到，若要在大模型领域真正实现广泛的应用，就必须找到一种创新的解决方法 ——“小 Size ，大 Prod.”（小体量，大能量）迅速被提上日程。在 CodeFuse 内部，一个名为“Rodimus”的架构应运而生。

CodeFuse 开源网站

Rodimus 是一个怎样的架构呢？

在推理每个 token 的过程中，Rodimus 架构能够保持较低的常量内存占用，这意味着在处理代码生成等任务时，它可以更高效地利用硬件资源，从而在资源有限的设备上更流畅地运行。

其自回归的架构，相比传统的 Transformer 和 Llama 架构，推理复杂度更低，但也可以适配并行训练。值得一提的是，1.6B 尺寸的 Rodimus 架构模型在性能上已超越同等大小的 Mamba2 和 Qwen2 等模型。

如此看来，CodeFuse 更像是基于自研 Rodimus，致力于让更多人、更多厂商都能用的端侧 “小模型”，落地于程序员最常见的应用场景，更快响应代码需求，更优秀的编程辅助，让人人可编程、可创新成为现实。

特色功能：“图生代码” 如何工作，以及它在实际应用中的表现如何？

“图生代码” 功能是 CodeFuse 推出的一项新功能，旨在支持开发人员使用产品设计图一键生成代码，能够将网页、小程序、APP 的设计图片直接转化成相应的代码，大幅提升前端页面的开发效率。

余航介绍，通过不断的升级优化，目前 “图生代码” 对于单组件的代码输出，准确率已经超过 90% ，今年更是实现 “整稿输出” 功能，涵盖了从设计理念的理解、功能规划的代码实现，再到后端联测的完整工作流。

值得一提的是，“图生代码” 功能自带大前端属性，能够输出适用于 PC 端和移动端的代码，适应了当下多终端设备的开发需求。

比如，在一个电商网站前端界面的开发中，对于商品展示组件的设计图，“图生代码” 功能可以快速生成包括 HTML （超文本标记语言）用于构建页面结构、 CSS （层叠样式表）用于页面样式设计和 JavaScript （脚本语言）用于实际交互效果的代码，并且这些代码能够准确地还原设计图中的功能和样式需求。

由此可见，前端开发的未来式，一些基础固有组件几乎都可以交给 AI 来完成，解放开发者更多时间于创新功能与艺术交互之上，生产出更多跨时代意义的产品。

代码提质：策略、技术、场景

上面简述了 CodeFuse 的架构以及特色功能，溯源本真，它产出的代码质量如何？好用与否？

先讲策略，余航表示，CodeFuse 服务的对象大多是开发者、程序员，那么这就意味着：CodeFuse 必须要以“程序员的思维”去解决“程序员的问题”。

图源：网络

就拿解决 “仓库级别代码任务” 来说，常规的解决方法是利用 LLM 构建代码 Agent ，因为仓库级别任务的复杂性，Agent 不得不增加节点来完成输出任务，但节点一多，可能会导致输出结果失准，同时，节点过多，交互耗时也会变长。

对此，CodeFuse 引入了一个概念 ——“Code Graph”（代码图），通过学习程序分析构建的代码图，并对齐 Graph 和 Code 两个模态，使得 LLM 能够更好地捕捉仓库级结构和依赖关系，从而解决开发者的实际需求。

这不就是开发者思维吗？CodeFuse 旗下仓库级别代码理解模型 CGM的工作原理正是如此。CGM 不仅可以端到端地将整个仓库输入进 LLM 中，方便 LLM 完成仓库级别的代码任务，并且，由于只关系到 “输入” 与 “输出” 两个环节，给出答案的时间也大大缩短。

除此之外，CodeFuse 在模型训练过程中，还使用了程序分析校验技术，对高质量代码数据进行筛选，并构建了代码领域专用字典，使得编码平均长度低 10%+。

“目前，在蚂蚁内部，最常用的功能依旧是代码生成，和写测试用例，但 CodeFuse 未来绝不单单只聚焦于这些，而是全生命周期的功能支持。”

码之艺术：全生命周期的研发支持

就实际工作场景而言，一个需求对应一个功能实现，意味着一份 PRD 文档，进入代码搭建，最后到产品上线、运维、迭代，未来的研发周期将被不断缩短。

而 CodeFuse 的剑锋所指，正是全生命周期的研发支持。

依托于 CodeFuse 的强大底座，已能在需求分析阶段为开发者提供智能辅助，帮助梳理项目脉络，进入研发阶段，无论是代码补全、代码生成，抑或是图生代码功能，均可大大减少开发者的重复劳动。

当产品上线后，CodeFuse 又可以实时监测系统运行状态，智能预警潜在风险，帮助跨仓业务的稳定运行，将运维工作交给 AI 来完成，真正实现全生命周期的无缝衔接与高效流转。

目前，在开源领域，CodeFuse 已取得了令人瞩目的成就，先后推出 MFTCoder 系列，DevOps 系列，CodeFuse-Query 代码分析引擎，Test-Agent 、CodeFuse IDE 等产品，此外还有超多数据集和模型，不仅为全球开发者提供了丰富的技术资源，更推动了整个行业的技术迭代和创新浪潮。

今年，CodeFuse 还将亮相于 12 月 28 日由开源中国（ oschina.net ）举办的2024 源创会年终盛典，为广大开发者带来最新的开源技术、前沿的技术视角以及实战的落地经验，敬请期待！