CodeT5: 考虑标识符的统一预训练编码器-解码器模型用于代码理解和生成

近期研究表明，像BERT和GPT这样的自然语言（NL）预训练模型可以很好地迁移到编程语言（PL），并在广泛的代码相关任务中带来显著的好处。尽管这些模型取得了成功，但大多数当前的方法要么依赖于仅编码器（或仅解码器）的预训练，这种预训练对于生成任务（或理解任务）来说并不理想，要么以与自然语言相同的方式处理代码片段，忽略了编程语言特有的属性，如标记类型。我们提出了CodeT5，这是一种统一的预训练编码器-解码器Transformer模型，能够更好地利用开发者指定的标识符所传达的代码语义。我们的模型采用了一种统一框架，无缝支持代码理解和生成任务，并允许进行多任务学习。此外，我们提出了一种新的标识符感知预训练任务，使模型能够区分哪些代码标记是标识符，并在它们被遮掩时恢复它们。我们还建议利用用户编写的代码注释，通过双模态双重生成任务来实现更好的自然语言-编程语言对齐。全面的实验表明，CodeT5在诸如代码缺陷检测和克隆检测等理解任务上显著优于先前的方法，并且在包括PL-NL、NL-PL和PL-PL在内的多个方向上的生成任务中也表现出色。进一步分析显示，我们的模型能够更好地捕捉代码中的语义信息。我们的代码和预训练模型已发布在https://github.com/salesforce/CodeT5 。