我們都知道，大模型具有自省能力，可以對寫出的代碼進行自我糾錯。

這種自我修復背后的機制，究竟是怎樣運作的？

對代碼為什么是錯誤的，模型在多大程度上能提供準確反饋？

近日，MIT和微軟的學者發現，在GPT-4和GPT-3.5之中，只有GPT-4表現出了有效的自修復。并且，GPT-4甚至還能對GPT-3.5生成的程序提供反饋。

圖片

論文地址：https://arxiv.org/pdf/2306.09896.pdf

英偉達科學家Jim Fan強烈推薦了這項研究。

在他看來，即使是最專業的人類程序員也無法一次性正確編寫程序。他們需要查看執行結果，推理出問題所在，給出修復措施，反復嘗試。這是一個智能體循環：根據環境反饋迭代改進代碼。

很有可能，OpenAI正在通過雇傭大量軟件工程師來訓練下一代GPT。而他們不需要輸出代碼——Critique is all you need。

- GPT-4能夠進行自我修復的核心原因是其強大的反饋能力。它能夠有效地自我反思代碼的問題所在，其他模型無法與之競爭。

- 反饋模型和代碼生成模型不必相同。事實上，反饋模型是瓶頸。

- 基于GPT-4的反饋，GPT-3.5能夠編寫更好的代碼。

- 基于專業人員的反饋，GPT-4本身能夠編寫更好的代碼。

揭秘用于代碼生成GPT修復

我們都知道，大語言模型在生成代碼方面，表現出了非凡的能力。

然而，在具有挑戰性的編程任務（比如競賽和軟件工程師的面試）中，它們卻完成得并不好。

好在，很多模型會通過一種自修復工作流來「自省」，來自我糾正代碼中的錯誤。

研究者很希望知道，這些模型在多大程度上能提供正確的反饋，并且說明自己生成的代碼為什么是錯誤的。

如圖顯示的是，基于自我修復方法的經典工作流程。

首先，給定一個規范，從代碼生成模型中采樣一個程序，然后在規范中提供的一組單元測試上執行該程序。

圖片

如果程序在任何單元測試中失敗，那么錯誤的消息和程序會被提供給一個反饋生成模型，該模型再輸出代碼失敗原因的簡短解釋。

最后，反饋被傳遞給一個修復模型，該模型生成程序的一個固定版本。

表面上看，這個工作流似乎非常完美。它讓系統在解碼過程中克服由于不良樣本引起的錯誤，在修復階段容易地合并來自符號系統（編譯器、靜態分析工具和執行引擎等）的反饋。

并且模仿人類軟件工程師編寫代碼的試錯方式。

然而，工作流有一個問題：自修復需要對模型進行更多的調用，從而增加了計算成本。

而且，研究者們發現了一個很有意思的現象：大模型自修復的有效性不僅取決于模型生成代碼的能力，還取決于它對于代碼如何在任務中犯錯的識別能力。

目前還沒有任何工作對此進行詳細調查，因此，作者們研究了GPT-3.5和GPT-4在解決競賽級代碼生成任務時的自修復有效性。

研究人員提出了一個新的評估策略，稱為，在這個策略中，根據從模型中采樣的token總數來衡量任務的通過率。

因為使用的是pass@t，而不是傳統的pass@k（根據實驗數量衡量通過率），這樣就能與純粹基于采樣的方法進行公平的比較。

從實驗中，研究者發現：

1. GPT-4才能實現自我修復帶來的性能提升；對于GPT-3.5，在所有預算下，修復后的通過率要低于或等于基準的無修復方法。

2. 即使對于GPT-4模型，性能提升也最多只能算是適度的（在預算為7000個token的情況下，通過率從66％提高到71％，約等于45個獨立同分布的GPT-4樣本的成本），并且取決于初始程序的多樣性足夠豐富。

3. 使用GPT-4生成的反饋替換GPT-3.5對錯誤的解釋，可以獲得更好的自修復性能，甚至超過基準的無修復GPT-3.5方法（在7000個token下，從50％提高到54％）。

4. 使用人類程序員提供的解釋替換GPT-4自己的解釋，可以顯著改善修復效果，修復并通過測試的程序數量增加了57%。

自我修復四階段

自修復方法涉及4個階段：代碼生成、代碼執行、反饋生成和代碼修復。對此，研究人員正式定義了這四個階段。

階段一：代碼生成

給定規范，一個程序模型，首先生成樣本

用一個公式來表示：

圖片

階段二：代碼執行

然后在測試平臺上執行代碼示例，并假設可以以可執行形式的訪問完整測試集。

如果任何樣本通過了所有的測試，就會停止，因為此時已經找到了令人滿意的程序。

否則，收集執行環境返回的錯誤信息。

這些錯誤消息要么包含編譯/運行時錯誤信息，要么包含程序輸出與預期不同的示例輸入。

階段三：反饋生成

在此，研究人員使用反饋模型來生成更詳細的錯誤解釋。

在這個階段，為每個錯誤的程序生成反饋字符串，，如下所示:

階段四：代碼修復

在最后一步中，對于每個初始程序和反饋，候選修復程序從中采樣：

研究人員稱這個過程產生的交錯文本和程序樹修復樹T

——植根于規范，然后分支到初始程序，每個程序分支到反饋，然后修復。

具體如圖所示：

圖片

由于自我修復需要幾個非一致成本的相關模型調用，在這種設置中，（在樣本中獲得正確程序的可能性）不是比較和評估自我修復的各種超參數選擇的合適度量。

相反，研究人員將通過率作為從模型中采樣總token數量的函數來衡量，將其稱之為的度量。

實驗過程

研究人員又進一步針對3個問題進行了測試：

1. 對于更加有挑戰的編程任務中，這些模型的自我修復是否比不進行修復的i.i.d.有更好的采樣？

2. 更強的反饋模型會提高模型的修復性能嗎？

3. 如果讓人類參與功能最強模型的自我修復循環，提供人工反饋，是否可以解鎖更好的修復性能？

首先研究團隊引入了一個很有挑戰的編程任務：Automated Programming Progress Standard （APPS）數據集中的編程任務。

這個數據集中的任務包括從入門級到大學競賽級的編程任務，可以用來評估人類程序員解決問題和代碼能力。

研究人員選取了300個任務，包括60個入門級別的任務和60個競賽級別的任務。

圖片

研究人員選取了GPT-3.5和GPT-4作為模型，使用模板字符串連接和單次提示詞來進行自我修復。

下圖為提示詞的實例之一。

圖片

自修復需要強大的模型和多樣化的初始樣本

研究人員讓單個模型分別進行代碼的修復生成和反饋生成。

在右邊的圖中，我們沿軸顯示了具有兩個超參數的熱圖，其中每個單元格中的值表示平均通過率，當給定相同的token預算（即t的相同值pass@t）時，自我修復由基線的平均通過率歸一化。

圖片

從圖中可以看到，對于GPT-3.5模型，pass@t在所有設置下都低于或等于相應的基線（黑），清楚地表明自我修復對GPT-3.5并不是一種有效的策略。

而在GPT-4（下圖）中，有幾個值的自修復通過率明顯優于基線。

圖片

下圖是和基線的無修復方法。

GPT-4反饋改進了GPT3.5的修復結果

研究人員又進一步進行了新的實驗，評估使用單獨的、更強的模型來生成反饋的效果，目的是為了測試一個假設：由于模型無法內省和調試自己的代碼，阻礙了自我修復（比如說對于GPT-3.5）。

圖片

這個實驗的結果如上圖（亮藍色）所示。

在絕對性能方面，GPT-3.5，GPT-4確實突破了性能障礙，并且比GPT-3.5的i.i.d.采樣略微更高效。

這表明文本反饋階段本身是至關重要的，改進它可以緩解GPT-3.5自修復的瓶頸。

人工反饋顯著提高了GPT-4修復的成功率

在最后一項實驗中，想要研究在用更強的模型（GPT-4）進行修復時，加入專家人類程序員的反饋的影響。

研究目的是了解模型識別代碼中錯誤的能力與人類的能力相比如何，以及這如何影響自修復的下游性能。

研究人員研究人員招募了16名參與者，包括15名研究生和1名專業機器學習工程師。

每個參與者都有五種不同的基礎程序，基于他們的Python經驗編寫代碼。

每個程序都取自不同的任務，參與者永遠不會看到屬于同一個任務的兩個不同的程序。

然后，參與者被要求用他們自己的話解釋這個程序做錯了什么。

實驗結果如下圖所示：

圖片

研究人員發現，當我們用人類參與者的調試替換GPT-4自己的調試時，總體成功率提高了1.57×以上。

不出意外的是，隨著問題變得更難，相對差異也會增加，這表明當任務(和代碼)變得更復雜時，GPT-4產生準確和有用反饋的能力遠遠落后于人類參與者。

作者介紹

Jianfeng Gao（高劍鋒）

高劍鋒是微軟的杰出科學家和副總裁，也是IEEE Fellow。

在微軟研究院，他是Redmond分部深度學習（DL）組的負責人。該組的使命是推進DL的最新技術，并將其應用于自然語言和圖像理解以及構建對話代理。他領導了構建大規模基礎模型的研究，這些模型為微軟的重要人工智能產品提供了支持。

從2022年開始，他負責自我改進人工智能的研究，其中包括對LLM（如ChatGPT/GPT4）進行增強和適應，以用于商業人工智能系統的開發。

在此之前，他于1999年在上海交通大學獲得博士學位。

Chenglong Wang

Chenglong Wang是微軟研究院的研究員，此前在華盛頓大學獲得了博士學位，并曾就讀于北京大學。