提示工程

探索 OpenAI 的 ChatGPT 代码解释器：深入了解其功能

发布于 2023年8月21日

更新于 2026年10月12日

作者

Aayush Mittal Mittal

将 Unite.AI 添加到您在 Google 上的首选来源

OpenAI 在自然语言处理（NLP）方面的进步以大型语言模型（LLM）的崛起为标志。这些模型支撑着被数百万人使用的产品，包括编程助手 GitHub Copilot 和 Bing 搜索引擎。凭借记忆和整合信息的独特能力，它们在代码和文本生成等任务上树立了前所未有的标杆。

了解 ChatGPT 的代码解释器

要理解 ChatGPT 代码解释器的意义，首先需要了解它是什么，以及它是如何构建的。

ChatGPT 代码解释器利用 ChatGPT 的能力，进一步增强了对多种编程语言代码的理解、解释乃至生成能力。这项功能将 ChatGPT 从文本生成器转变为开发人员的宝贵工具，帮助他们理解代码、调试程序和生成代码。

训练 GPT 编写代码：Codex 方法

GitHub Copilot 和 ChatGPT 的代码解释器都采用了 OpenAI 开发的 Codex 模型。

Codex 是专门设计的 GPT 语言模型，具备熟练编写 Python 代码的能力。它使用 GitHub 上公开的代码进行训练，并通过 GitHub Copilot 的功能展示其潜力。在根据文档字符串合成程序、以功能正确性衡量表现的测试中，Codex 超过了 GPT-3 和 GPT-J。

一个引人注目的发现是，重复采样能够提高 Codex 的表现。每个问题最多生成 100 个样本时，模型的成功率提高到 70.2%。这表明，可以通过启发式排序选出正确的代码样本，而不必逐一进行完整评估。

为评估模型能力，研究要求它仅依据文档字符串生成独立的 Python 函数，再用单元测试衡量所生成代码的正确性。在包含语言理解、算法和基础数学测试的 164 道原创编程题中，拥有 120 亿参数的 Codex 单次尝试解决了其中的 28.8%。

Traning Data for Codex Model - chatgpt code interpreter

Codex 模型的训练数据：https://arxiv.org/abs/2107.03374

使用正确实现的独立函数进一步微调模型后，Codex-S 首次尝试的解题成功率提高到 37.7%。实际编程中，反复试错很常见。模拟这种情境，给予 Codex-S 100 次尝试机会后，它成功解决了 77.5% 的问题。

ChatGPT 等生成代码的生成式模型，通常通过将生成样本与参考答案比较来评估。比较可以采用精确匹配，也可以采用 BLEU 分数等相似度指标。但这类匹配指标往往无法体现编程的细微差别。对 BLEU 的一个主要批评是，它不能有效捕捉代码的语义特征。

因此，研究提出了一种更相关的衡量方式：功能正确性。模型生成的代码应当通过指定的一组单元测试。这与标准编程实践一致，因为开发人员经常通过单元测试衡量代码的有效性和准确性。该指标评估的不只是准确程度，还包括所生成代码在功能上是否可用。

pass@k 指标用来衡量功能正确性。它的基本含义是：生成的 k 个代码样本中，只要有一个通过单元测试，就认为该问题已解决。不过，为避免较大的方差，研究使用无偏估计量计算 pass@k，而不是直接采用这一简单形式。

研究使用 HumanEval 数据集评估 ChatGPT 的代码能力。这个数据集由人工编写的 Python 问题组成，每道题都配有单元测试。

https://github.com/openai/code-align-evals-data/blob/main/human_eval

执行未知或不可信代码存在风险，因此研究设计了沙箱环境，以安全地测试生成的代码。该环境采用 gVisor 模拟资源，并在主机系统和运行中的代码之间建立隔离屏障。即使模型生成了恶意代码，它也会被限制在沙箱内，无法危害主机或网络。

使用 ChatGPT 代码解释器

OpenAI 的 ChatGPT 经历了多次演进，代码解释器是 GPT-4 模型中一项引人注目的革新。与传统聊天界面相比，它让用户能够深入处理计算任务，将人机对话与计算过程顺畅地结合起来。

代码解释器就像聊天机器人内置的一台计算机。它提供临时磁盘空间，允许用户上传多种格式的文件，包括 TXT、PDF、JPEG 等常见格式，以及 CPP、PY、SQLite 等较专业的格式。这种广泛的支持增强了它在文档处理、图像操作等任务中的通用性。

代码解释器采用稳健、安全的框架，预装了 300 多个库。沙箱环境在确保安全的同时提供了相当可观的计算能力。收到任务后，它会即时编写 Python 脚本来执行用户请求。例如，要通过 OCR 将图像型 PDF 转换为可搜索的文件，用户只需上传文档，其余工作由 ChatGPT 完成。

上传文件的大小限制也是一个受到关注的问题。当时尚未公布明确的规格，但用户实验表明，系统可以有效处理远大于 100MB 的文件。不论文件大小如何，都需要注意这些文件是临时的，会在聊天会话结束后被丢弃。

代码解释器的亮点不仅在于技术能力，也在于易用性。OpenAI 向 ChatGPT Plus 订阅用户提供这项功能，该订阅包含 GPT-4 模型。因此，这种变革性工具正逐步面向更广泛的用户群体。

标准 ChatGPT 模型与代码解释器的区别在于交互方式：前者主要生成文字回答，后者则理解并执行代码，直接给出结果。这既有助于技术专业人员，也让没有编程知识的人能够完成复杂的计算任务。

ChatGPT 代码解释器的能力可能改变软件开发和数据科学的多个方面：

自动生成代码：无论是软件应用还是数据分析脚本，系统都可以根据高层次描述生成基础框架或复杂代码片段，加快开发与数据分析过程。
代码审查与数据验证：ChatGPT 等 AI 工具有助于提升软件代码库的质量和安全性。在数据科学领域，它们也可以帮助审查和验证数据处理及转换脚本，确保准确性与效率。
辅助数据分析：对于数据科学家，ChatGPT 代码解释器可以生成用于初步数据探索、可视化以及基础统计检验的代码，简化数据分析流程。

如果希望进一步了解 ChatGPT 与提示工程的细节，Unite AI 的《ChatGPT：高级提示工程》提供了全面介绍。

设置 ChatGPT 代码解释器

代码解释器的集成让平台能够解释用户问题，将其作为 Python 代码执行，并在交互式聊天界面中显示结果。用户可以进入 ChatGPT 设置，打开 Beta 功能部分并启用代码解释器。