CodeGeeX
zai-org/CodeGeeX加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
当你苦于在不同编程语言之间手动翻译代码时，CodeGeeX 或许能成为你的得力助手。这个由清华大学NLP实验室（THUDM）孵化的开源项目，是一个拥有 130亿参数 的大规模多语言代码生成模型，于2023年被国际数据挖掘顶会 KDD 接收。它的核心能力是：只需输入一段自然语言描述或代码片段，就能自动生成对应语言的可执行程序，或将代码在 Python、C++、Java、JavaScript、Go 等主流语言之间相互翻译。
CodeGeeX 的诞生，源于一个朴素的观察——软件开发中，跨语言迁移代码是一个耗时且容易出错的工作。当团队需要将 Python 原型迁移到 Java 生产环境，或将遗留 C++ 系统迁移到 Go 时，开发者往往需要逐行翻译，既要理解原逻辑，又要遵循目标语言的语法规范。
为了解决这个问题，清华大学 NLP 实验室（THUDM）训练了一个基于 Transformer 架构的大规模预训练模型。项目最初在华为 Ascend 910 AI 处理器集群（1536卡）上训练超过 8500 亿个 Token，后又基于 NVIDIA Megatron-LM 框架实现了 PyTorch 兼容版本，使得更多研究者可以在 GPU 环境下使用。
CodeGeeX 的名字本身就是一个多语言翻译的隐喻——"Code Geeks"（程序员）的谐音，寓意帮助程序员跨越语言障碍。
图1：CodeGeeX 项目 Logo
项目在 2022 年 9 月开源后，迅速获得开发者社区关注，目前已在 GitHub 斩获超过 8700 颗星，并在 VS Code 和 JetBrains 全家桶（IntelliJ IDEA、Pycharm、GoLand 等十余款 IDE）中提供免费插件，让 AI 辅助编程触手可及。
CodeGeeX 采用了标准的 Transformer 解码器架构，具体配置为：
这一规模在 2022 年的代码生成模型中属于第一梯队，与当时 OpenAI 的 Codex（120亿参数）规模相当。
CodeGeeX 的训练语料来自两个主要渠道：
为了帮助模型区分不同语言，每个代码片段开头都添加了语言标记（如 # language: Python）。
图2：训练语料中各编程语言占比及训练损失曲线
量化推理：CodeGeeX 支持 INT8 权重量化，将显存需求从 27GB 降低到 15GB，使得在消费级显卡（如 RTX 3090）上运行成为可能。官方数据显示，INT8 加速版本平均推理速度低于 15ms/Token。
多卡并行：通过将模型参数分区到多张 GPU 上，可以将单卡显存需求降低到 6GB 以下，支持在多卡环境下运行。
多后端支持：原生支持华为 Ascend 910 和 NVIDIA V100/A100 两类硬件，后又集成 OneFlow 和 FasterTransformer 推理后端，进一步提升推理效率。
CodeGeeX 提供了四大核心功能，覆盖了开发者日常工作的多个场景：
用户只需用自然语言描述想要实现的功能，CodeGeeX 就能生成对应语言的代码。例如输入"实现一个快速排序算法"，模型可以输出 Python、C++、Java 等多种语言的实现。相比单一语言模型，CodeGeeX 在生成前会自动添加语言标记，确保输出代码符合目标语言的语法规范。
这是 CodeGeeX 最具差异化的功能。只需一键点击，就能将一段 Python 代码翻译为 Java，或将 JavaScript 翻译为 Go，翻译准确率在 HumanEval-X 基准测试中表现优异。
图3：CodeGeeX 多语言代码生成与翻译示例
CodeGeeX 在 VS Code 和 JetBrains 全家桶中提供免费插件，支持代码补全、代码解释、代码摘要等功能。以 VS Code 为例，安装插件后，在编辑器中写注释或部分代码，CodeGeeX 会自动预测并补全后续代码。插件还支持多语言互译——选中一段代码，点击翻译按钮，选择目标语言，即可获得翻译结果。
为了推动多语言代码生成的研究，团队还发布了 HumanEval-X 基准测试集，包含 820 道人工设计的编程题，覆盖 Python、C++、Java、JavaScript、Go 五种语言，每道题配有单元测试和参考解答。这一基准已被 HuggingFace 数据集仓库收录，成为评估多语言代码模型的重要工具。
图4：跨语言代码翻译效果示意
如果只是想体验效果，可以访问官方在线 Demo（models.aminer.cn/codegeex）直接试用，无需安装任何依赖。这种方式适合快速了解模型能力，但受限于服务器资源，响应速度可能较慢。
安装 VS Code 或 JetBrains 插件是最高频的使用方式。通过 VS Code Marketplace 搜索 "codegeex" 即可一键安装，登录后即可使用代码补全和翻译功能。这种方式不需要本地 GPU，所有推理在云端完成，体验流畅。
如果对隐私有要求或需要更高定制化，可以本地部署。官方提供两种路径：
pip install -e .，然后配置模型权重路径和 GPU 参数，通过脚本推理docker pull codegeex/codegeex:latest，配合 nvidia-docker 启动容器本地部署的核心门槛是 GPU：未经量化需要单卡 27GB 显存（V100/A100），量化后可降至 15GB。此外，模型权重需要通过官网申请下载（约 26GB），无法直接通过 HuggingFace 下载。
官方提供了 Python 和 Java 的 API 调用示例，开发者可以将其集成到自己的产品中，构建定制化的代码辅助功能。
尽管 CodeGeeX 在多语言代码生成方面有独特优势，但它也存在一些客观局限：
模型权重获取不便：CodeGeeX 的模型权重并非直接开源，而是需要通过官网表单申请，审核通过后通过邮件发送下载链接（包含临时下载 URL）。这一流程增加了使用门槛，用户无法像使用 StarCoder 或 CodeLlama 那样直接从 HuggingFace 下载。相比之下，2023年发布的 CodeGeeX2 已将权重上传至 HuggingFace，使用更便捷。
功能被后续项目超越：CodeGeeX 发布于 2022 年，其后的 CodeGeeX2（2023）、CodeGeeX4 等后续版本在功能上有显著增强。当前仓库的主分支仍停留在 CodeGeeX1，代码生成质量与最新模型存在差距。对于新用户，直接使用 CodeGeeX4 可能是更好的选择。
特定领域代码生成质量有限：对于非常专业的领域（如嵌入式系统、特定框架的底层实现），CodeGeeX 生成的代码可能存在逻辑错误或不符合最佳实践的情况，仍需人工审核。
商业许可证限制：CodeGeeX 的模型权重采用自定义许可（MODEL_LICENSE），并非标准的 Apache 2.0 或 MIT 许可证，商业使用前需仔细阅读许可条款。
CodeGeeX 的价值不仅在于它是一个可用的工具，更在于它代表了一种研究路径——通过大规模预训练实现多语言代码生成与翻译。
从学术角度看，CodeGeeX 提出了 HumanEval-X 基准，推动了多语言代码生成评估的标准化。其论文被 KDD 2023 接收，也说明了大模型在软件工程领域的研究获得了顶级学术会议的认可。
从生态角度看，CodeGeeX 的插件矩阵（VS Code + 十余款 JetBrains IDE）让它触达了数百万开发者。相比纯研究项目，这种「论文 + 开源 + 产品化」的路径更具影响力。CodeGeeX2、CodeGeeX4 的持续迭代，也证明了这是一个有生命力的项目。
对于 AI 开发者而言，CodeGeeX 展示了如何在有限算力（1536 Ascend 卡）下训练大规模代码模型，以及如何通过量化、并行等技术在消费级硬件上部署。其代码仓库中关于 Megatron-LM 和 DeepSpeed 的实践，对于想训练自己代码模型的研究者具有重要参考价值。
一句话评价：CodeGeeX 是最早一批开源的大规模多语言代码生成模型之一，虽然被后续版本超越，但其多语言翻译能力和插件生态仍有独特价值，适合对跨语言代码迁移有需求的开发者。
推荐场景：
不推荐场景：
项目地址：https://github.com/zai-org/CodeGeeX 官方网站：https://codegeex.cn KDD 2023 论文：https://arxiv.org/abs/2303.17568