method_error: unsupported operand type(s) for /: 'NoneType' and 'float' <class 'TypeError'> chat_paper.py 496

[zhangxii]

执行了如下语句: python chat_paper.py --query "all: code generation large language model competition" --filter_keys "code generation" --key_word "code generation" --max_results 3

然后运行过程中报错，但是错误不影响继续执行。 method_error: unsupported operand type(s) for /: 'NoneType' and 'float' <class 'TypeError'> chat_paper.py 496

...
 7. Methods: 

本文的方法论思路包括三个步骤：（1）将源代码“去自然化”以积累 NatGen 的预训练数据（§3.1）；（2）使用这些数据对 NatGen 进行自然化任务的预训练（§3.2）；（3）使用任务特定的数据集对预训练的 NatGen 进行微调（§3.3）。在第一步中，使用六个规则将自然代码转换为其非自然对应物。这些转换在语义上是相同的，但是将原始的自然（人类编写的）代码重写为人工形式。在第二步中，使用神经序列到序列翻译模型 （M）将“非自然”代码转换回原始代码。在第三步中，使用细化数据集对预训练的模型进行微调。具体实现中，使用树形结构解析器解析源代码的 AST 结构，然后根据 AST 结构进行“去自然化”转换，使用 transformer 模型进行预训练和微调，并使用 EM、SM、DM 和 CodeBLEU（CB）等指
prompt_token_used: 3782 completion_token_used: 315 total_token_used: 4097
method_result:
 7. Methods: 

本文的方法论思路包括三个步骤：（1）将源代码“去自然化”以积累预训练数据，为NatGen做准备；（2）使用这些数据对NatGen进行预训练，以完成自然化任务；（3）使用特定任务数据对预训练的NatGen进行微调。 在第一步中，使用六个规则将自然代码转换为其非自然对应物。这些转换是语义保留的，但将原始的自然（人类编写的）代码重写为人工形式。在第二步中，使用神经序列到序列翻译模型对非自然代码进行重构。在第三步中，对预训练的模型进行微调，以完成特定任务。具体细节见原文。
prompt_token_used: 3782 completion_token_used: 227 total_token_used: 4009
method_error: unsupported operand type(s) for /: 'NoneType' and 'float'
<class 'TypeError'> chat_paper.py 496
conclusion_result:
 8. Conclusion:
...

最后存储的md文件为空：

[ssocean]

搜下这句话，注释掉

print("response_time:", response.response_ms / 1000.0, 's')