代码补全已成为日常软件开发中的重要工具。现有的评估基准通常采用静态方法，这些方法无法完全捕捉现实世界编码环境的动态特性，并面临重大挑战，包括上下文长度有限、依赖表面评估指标以及可能对训练数据集过度拟合。
为此，本文提出一个全新的仓库级可执行的代码补全任务的测试基准：ExecRepoBench。该基准包含来自 50 个活跃 Python 仓库的约 1200 个样本用于代码补全评估。此外，本文提出了一种基于抽象语法树的多层次的代码片段遮掩方法，并基于此方法构造了代码补全的指令微调数据集 Repo-Instruct。
本文基于该数据集构建了代码补全基线模型 Qwen2.5-Coder-Instruct-C。该模型在 MultiPL-E 和 ExecRepo Bench 上取得了优异的性能表现。
数据集链接：
榜单链接：
可执行的仓库级代码补全基准
代码补全中的静态测试基准存在参考答案唯一，可能过拟合等问题，无法准确反映代码的实际可执行性和功能正确性。为此，本文创建了可执行的仓库级基准 ExecRepoBench。
▲ 评测流程示意图
测试集构建的过程中，遵循以下原则：
（1）只收集持续更新的 Python 语言的代码仓库。
（2）标注者收集或创建测试用例来进行评估。
（3）所有单元测试可以在有限时间内完成。
最终，ExecRepoBench 选取了 50 个具有复杂相互依赖关系的多文件 Python 仓库，先经过严格筛选以及人工创建可执行的单元测试，然后构建了 6 类，共计约 1200 个补全任务。
具体任务数量和 token 长度分布如下表所示：
6 类任务中，不仅包含传统的对单行、多行、多逻辑代码块进行补全，还新增了基于 AST 构建的复杂逻辑代码补全任务，具体包含：
1. 表达式级补全任务：涉及诸如填补二进制运算中的操作数或运算符，提供适当的函数参数等。
2. 语句级补全任务：针对单个语句的补全，例如变量赋值、控制流结构（if 语句、for 循环）等。目标是维护逻辑流并确保语法正确。
3. 函数级补全任务：旨在补全整个函数体或填充函数签名，主要包括编写参数列表、返回类型和函数的内部逻辑。
▲ ExecRepoBench包含的仓库以及相应类别
基于抽象语法树的补全数据构造方法
本文提出了一种基于抽象语法树的多层次的代码片段遮掩方法，用于补全任务数据的构造。
该方法首先根据代码片段构建抽象语法树，然后提取其中语句级、表达式级、函数级和类级的代码片段，用于构建多级补全指令微调数据 Repo-Instruct，覆盖 Python、C#、Cpp、Java、Javascript、Typescript、Php 等 8 种编程语言，从近 1.5M 仓库中采样了 3M 个样本。
代码补全基线模型 Qwen2.5-Coder-Instruct-C
与使用 Fill-In-Middle（FIM）的上下文填空训练的模型不同，本工作基于 Repo-Instruct，在 Qwen2.5-Coder-Instruct 7B 上进行微调得到了新的模型 Qwen2.5-Coder-Instruct-C。与 30 多个大小从 0.5B 到 30B+ 参数不等的模型相比，Qwen2.5-Coder-Instruct-C 在 12 项测试中的 10 项取得第一。
此外，为了对比不同类型的训练数据对于模型性能的影响，作者在 CrossCodeEval 与 MultiPl-E 数据集上进行了消融实验。实验结果表明，在模型中同时使用代码生成和补全数据进行训练，可以在保持生成任务性能的同时，大大提升模型的代码补全能力。
总结与启发
本文提出了 ExecRepoBench，一个面向仓库级代码补全的全新测试基准，并设计了基于抽象语法树的多层次代码遮掩方法，用于构建指令微调数据集 Repo-Instruct。基于该数据集训练的代码补全模型 Qwen2.5-Coder-Instruct-C 在多项基准测试中表现优异，为代码补全任务的评估和改进提供了新思路。
（文：PaperWeekly）