大型語言模型 (LLM) 已在各種軟件工程和編碼任務中展現出卓越的能力。然而，它們在代碼和編譯器優化領域的應用仍未得到充分探索。訓練LLM需要大量資源，需要大量的 GPU時間和大量的數據收集。Meta語言模型編譯器 (LLM Compiler)，這是一套專為代碼優化任務設計的強大、公開可用的預訓練模型。

LLM Compiler建立在Code Llama的基礎上，增強了對編譯器中間表示 (IR)、匯編語言和優化技術的理解。該模型已在546B的LVM-IR和匯編代碼的龐大語料庫上進行了訓練，并經過了指令微調。

LLM Compiler是根據定制的商業許可發布的，允許廣泛重用。除了7B和 13B的規模，還有該模型的微調版本，展示了其在優化代碼大小和從 x86_64和ARM匯編反編譯回LLVM-IR的增強功能。

1.Code Llama

2024年1月29日發布代碼Llama 70B是一個可以使用文本提示生成代碼的大型語言模型。Code Llama是最先進的代碼任務公開可用LLMs，可以使得當前開發人員的工作流程更快、更高效，并降低學習編碼的門檻。Code Llama可以被用來作業以及教學。

Code Llama是Llama 2的代碼專用版本，它是通過在特定的代碼數據集進一步訓練Llama 2而得到。它可以從代碼和自然語言提示生成代碼和關于代碼的自然語言，例如，“寫一個斐波那契數列的函數”。它還可用于代碼的補全和調試，支持當今使用的許多最流行的語言，包括Python、C++、Java、PHP、Typescript （Javascript）、C#和Bash。

Code Llama提供多達100,000 個上下文Token。所有的模型都基于16,000個Token序列進行訓練，在多達100,000個Token輸入中顯示出明顯的改進。

Meta還微調Code Llama的另外兩個變體：Code Llama-Python和Code Llama-Instruct。Code Llama-Python是Code Llama的專用語言變體，在 Python代碼的100B的Token上進一步微調。Meta選擇Python的原因是Python和PyTorch在AI社區中發揮著重要作用。

上圖為Code Llama的家族譜系

2.LLM Compiler

剛剛，Meta在編譯器優化方面又邁出了一大步，它推出了一套突破性的工具，基于LLM的編譯器能夠處理編譯和反編譯任務，在編譯器技術領域樹立了新的標桿。

編譯器的中間表示（Intermediate Representation，IR）是編譯過程中的一種抽象表示形式，位于源代碼和目標代碼之間。它的存在主要是為了幫助編譯器在多個階段進行優化和轉換，從而生成高效的目標代碼。

上圖為LLM Compiler的訓練過程，分兩個階段對546B的數據集進行訓練，這些數據集以編譯器為中心。在第一階段，模型主要在未標記的編譯器IR和匯編代碼上進行訓練。第二階段對模型進行指令微調，以預測優化的輸出和效果。進而生成7B和13B的LLM Compiler。

不同階段使用的訓練數據集，可以看出在編譯優化方面還是加入不少的訓練數據。尤其是第三階段和第四階段中，和代碼相關的自然語言成為主力。

之后在164B個下游標記和反匯編任務數據集上進一步微調形成新的LLM Compiler FTD。在四個訓練階段中，每階段都會保留先前15%的任務數據。

3.核心要點：如何學習編譯優化

既然要優化編譯，那么就需要想解鎖下LLVM。LLVM是一套編譯器基礎設施項目，以C++寫成，包含一系列模塊化的編譯器組件和工具鏈，用來開發編譯器前端和后端。它是為了任意一種編程語言而寫成的程序，利用虛擬技術完成編譯時期、鏈接時期、執行時期以及“閑置時期”的優化任務。

它最早以C/C++為實現對象，而目前它已支持包括ActionScript、Ada、D語言、Fortran、GLSL、Haskell、Java字節碼、Objective-C、Swift、Python、Ruby、Crystal、Rust、Scala以及C#等語言。

LLVM pass框架是LLVM系統的一個很重要的部分。LLVM的優化和轉換工作就是由多個pass來一起完成的。類似流水線操作一樣，每個pass完成特定的優化工作。

上面就是所有的pass（優化算子），各自身懷絕技！

總的來說，所有的pass大致可以分為兩類：

• 分析(analysis)和轉換分析類的pass主要以提供信息為主
• 轉換類(transform)的pass主要優化中間代碼

常用的代碼優化方法（不同的pass）：

• 刪除公共子表達式：如果表達式x op y先前已被計算過，并且從先前的計算到現在，x op y中的變量值沒有改變，則x op y的這次出現就稱為公共子表達式（common subexpression）
• 刪除無用代碼無用代碼(Dead-code)：其計算結果永遠不會被使用的語句
• 常量合并：如果在編譯時刻推導出一個表達式的值是常量，就可以使用該常量來替代這個表達式。
• 代碼移動：這個轉換的結果是那些不管循環多少次都得到相同結果的表達式（即循環不變計算，loop-invariant computation），在進入循環之前就對它們進行求值。
• 強度削弱：用較快的操作代替較慢的操作，如用加代替乘 。（例：2*x ? x+x）
• 刪除歸納變量：對于一個變量x ，如果存在一個正的或負的常數c使得每次x被賦值時它的值總增加c ，那么x就稱為歸納變量(Induction Variable)。在循環中，若有一組歸納變量的值的變化不變，可以將這組變量保留一個

聰明的讀者一定反應過來了，感情這模型是在學習如何針對代碼選擇最優的pass list（優化算子組合）然后進行優化。對了！

Meta為了讓LLM Compiler了解編譯器優化的工作原理，它使用編譯器模擬辦法。這個辦法將未優化的代碼和隨機選擇的pass lists（優化算子組合，黃色部分）一起丟給opt，進而生成優化代碼（IR 或匯編，綠色部分）。最后黃色部分和綠色部分一起作為訓練集喂給LLM。

上圖中的opt是LLVM工具鏈中的一個工具，用于分析和轉換LLVM源文件中的中間表示（IR）。這個工具通常用于應用各種優化和轉換操作，例如執行優化傳遞、插入優化插件等。

>opt input .bc -o output .bc -p ’module ( default <Oz >) ,module ( iroutliner )’

>clang output .bc -o output .o

>size output .o

上圖展示了訓練1和推理2期間的模型輸入（提示）和輸出（標簽）的過程。為了生成訓練提示的標簽，未優化的代碼和多個隨機pass組合進行編譯，然后針對輸出二進制最小的pass組合進行最小化，之后再使用 PassListEval檢查其正確性。最終被選擇的pass list以及其相應的優化IR在訓練期間用作標簽。期間最經常被選擇的100個pass組合將會在所有的應用中廣播。

對于部署，Meta選擇優化過的傳遞列表，以確保優化的代碼是正確的。為了保證正確性，PassListEval很是關鍵，下圖展示了這個過程：

那么如何進行反編譯的微調呢，其實也很簡單，通過訓練模型將給定的代碼樣本反匯編為相應的IR來訓練模型，以了解匯編（ASM，機器指令，黃色）和IR（優化過后的綠色部分）之間的關系。用于標記此訓練任務的IR是利用優化過的IR。如下圖所示：

這樣LLM編譯器經過微調，可在特定任務中表現出色，例如將編譯后的代碼反匯編回其中間表示 （LLVM-IR）。這對于理解遺留代碼或反向優化特別有益，使LLM編譯器成為維護和升級現有軟件系統的寶貴工具。

4.效果如何

若要比較效果的話，肯定和優化命令-Oz作為基準來比較，從圖中可以看出，效果還是挺不錯的。雖然LLM Compiler在編譯器優化任務上表現良好，并且相比先前的工作，對編譯器表示和匯編代碼的理解有所改進，但仍存在一些局限性。主要限制是輸入的有限序列長度（上下文窗口）。

LLM 編譯器支持 16k tokens的上下文窗口，但程序代碼往往超過這個長度。例如，67%的MiBench基準中顯示超過了這個上下文窗口。為了緩解這個問題，研究人員拆分了內容，然而仍有18%還是過長，無法作為輸入。這樣也是是后續的一個研究熱點。

本文轉載自 ??魯班模錘??，作者： 龐德公