与GPT-4 Turbo和GPT-4 Omni相比,AutoCoder提供了更加多样化的代码解释器,可以安装外部软件包并处理更广泛的任务。它还拥有一个选择性的代码解释器,只在用户需要验证代码时使用,而不像GPT-4 Turbo和GPT-4 Omni那样默认运行所有生成的Python代码。

AutoCoder使用的AI EV Instruct架构包括教学阶段和自主学习阶段。在教学阶段,模型通过从教师模型蒸馏知识并使用DEC Coder等工具来补充和纠正代码生成。在自主学习阶段,模型自主学习,扮演提问者和程序员的角色。

AutoCoder的训练数据包括169,000个数据样本,241轮对话,包括主函数包安装、代码执行错误、修复和单元测试。这明显多于其他模型,如Magic Coder OSS Instruct(75,000个数据样本,75轮对话)和Magic Coder Eval Instruct(1,111个数据样本,111轮对话)。

尽管是一个开源模型,但AutoCoder已被证明在Human Eval基准测试中优于大型语言模型,如LLaMA 400B和GPT-4 Omni Ultra for Gemini。