大型語言模型（LLM）已被證明能夠從自然語言中生成代碼片段，但在應(yīng)對復(fù)雜的編碼挑戰(zhàn)，如專業(yè)競賽和軟件工程專業(yè)面試時(shí)，仍面臨巨大的挑戰(zhàn)。最近的研究試圖通過利用自修復(fù)來提高模型編碼性能。自修復(fù)是指讓模型反思并糾正自己代碼中的錯(cuò)誤。

下圖 1 顯示了基于自修復(fù)方法的典型工作流程。首先，給定一個(gè)規(guī)范，從代碼生成模型中對程序進(jìn)行采樣；然后在作為一部分規(guī)范提供的一套單元測試上執(zhí)行程序；如果程序在任一單元測試中失敗，則將錯(cuò)誤消息和錯(cuò)誤程序提供給一個(gè)反饋生成模型，該模型輸出代碼失敗原因的簡短解釋；最后，反饋被傳遞給修復(fù)模型，該模型生成程序的最終固化版本。

從表面上看，這是一個(gè)非常有吸引力的想法。這種設(shè)計(jì)能讓系統(tǒng)克服在解碼過程中由離群樣本引起的錯(cuò)誤；在修復(fù)階段，可以輕松地整合來自編譯器、靜態(tài)分析工具和執(zhí)行引擎等符號系統(tǒng)的反饋，并模仿人類軟件工程師編寫代碼的試錯(cuò)方式。

圖片

然而，自修復(fù)需要更多的模型調(diào)用，計(jì)算成本較高。特別要注意的是，自修復(fù)能否奏效，最終歸結(jié)為在同等計(jì)算性能預(yù)算下，是否能從模型中抽取更多代碼樣本，并將其與作為一部分任務(wù)提供的單元測試套件進(jìn)行比較。

至關(guān)重要的是，自修復(fù)的有效性不僅取決于模型生成代碼的能力（文獻(xiàn)中對此進(jìn)行了廣泛研究），還取決于它識別代碼（由模型本身生成）在任務(wù)規(guī)范方面是如何出錯(cuò)的能力。此前沒有任何工作試圖詳細(xì)研究這些能力的影響。

本文中，來自 MIT、微軟研究院的研究者在解決競賽級別的代碼生成任務(wù)時(shí)，使用 GPT-3.5 和 GPT-4 研究自修復(fù)的有效性。研究者首先提出一種新的評估策略，稱為 pass@t，其中獲得正確程序的可能性（相對于給定的單元測試）相對于從模型中采樣的 token 總數(shù)進(jìn)行加權(quán)。

使用新的評估策略代替?zhèn)鹘y(tǒng)的 pass@k 度量（根據(jù)試驗(yàn)次數(shù)衡量通過率），研究者能夠準(zhǔn)確地將通過自修復(fù)獲得的性能與模型在生成反饋和進(jìn)行修復(fù)時(shí)所做的任何額外工作進(jìn)行比較。研究者仔細(xì)探究了在一系列超參數(shù)下的動(dòng)態(tài)自修復(fù)過程。

最后，鑒于研究的主要目標(biāo)是深入了解最先進(jìn)的代碼生成模型反思和調(diào)試自己代碼的能力，本文進(jìn)行了一組實(shí)驗(yàn)，單獨(dú)研究了改進(jìn)反饋階段的影響。通過分析使用比代碼生成模型更強(qiáng)的反饋生成模型（使用 GPT-4 為 GPT-3.5 代碼模型生成反饋）的影響，研究者進(jìn)行了一項(xiàng)研究：讓人類對不正確的程序提供反饋，以便將模型生成的自反饋與人類提供的自反饋進(jìn)行比較。

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

從本文的實(shí)驗(yàn)中，研究者有了以下發(fā)現(xiàn)：

1. 當(dāng)考慮進(jìn)行檢查和修復(fù)的成本時(shí)，自修復(fù)的性能收益只能用 GPT-4 來衡量；對于 GPT-3.5，在所有配置下，修復(fù)的通過率低于或等于基線模型 / 無修復(fù)方法的通過率。

2. 即使對于 GPT-4，性能提升也是適度的（66%→ 71% 的通過率，預(yù)算為 7000 個(gè) token，約 45 個(gè)獨(dú)立同分布（i.i.d.）的 GPT-4 樣本），并同時(shí)取決于初始程序是否具有足夠的多樣性。

3. 用 GPT-4 產(chǎn)生的反饋代替 GPT-3.5 對錯(cuò)誤的解釋，可以獲得更好的自修復(fù)性能，甚至超過了基線的無修復(fù) GPT-3.5 方法（50%→ 7000token 時(shí)為 54%）。

4. 用人類的解釋取代 GPT-4 自己的解釋可以顯著改善修復(fù)結(jié)果，從而使通過測試的修復(fù)程序數(shù)量增加 57%。

愛丁堡大學(xué)博士生符堯表示：「只有 GPT-4 可以自我改進(jìn)，而較弱的模型不能，這一發(fā)現(xiàn)非常有趣，表明（大模型存在）一種新型的涌現(xiàn)能力（即改進(jìn)自然語言反饋），可能只有在模型足夠成熟（大而整齊）時(shí)才存在。大模型的這種能力在論文《Improving Language Model Negotiation with Self-Play and In-Context Learning from AI Feedback》中也存在過。

只有足夠成熟的模型才能清楚（listen to）并改進(jìn)自然語言反饋，較弱的模型要么無法理解反饋，要么無法對其進(jìn)行改進(jìn)。

我傾向于相信這種涌現(xiàn)能力（通過語言反饋進(jìn)行自我改進(jìn)）會對 LLM 研究產(chǎn)生非常重要的影響，因?yàn)檫@意味著 AI 可以在很少的人類監(jiān)督下不斷自主改進(jìn)。」

圖片

方法

自修復(fù)概述

如上圖 1 所示，自修復(fù)方法包括 4 個(gè)階段：代碼生成、代碼執(zhí)行、反饋生成和代碼修復(fù)。接下來正式定義這四個(gè)階段。

代碼生成

給定一個(gè)規(guī)范 ψ，程序模型 M_P 首先生成 n_p 個(gè)獨(dú)立同分布樣本，研究者將其表示為

圖片

代碼執(zhí)行

然后在測試臺上執(zhí)行這 n_p 個(gè)代碼樣本。研究者假設(shè)可以訪問可執(zhí)行形式的全套測試，因此如果任何樣本通過了所有測試，系統(tǒng)就會停止，因?yàn)檫@時(shí)已經(jīng)找到了一個(gè)令人滿意的程序。否則，系統(tǒng)將收集執(zhí)行環(huán)境返回的錯(cuò)誤消息。這些錯(cuò)誤消息要么包含編譯 / 運(yùn)行時(shí)錯(cuò)誤信息，要么包含程序輸出與預(yù)期輸出不同的示例輸入。示例如圖 1（組件 3）所示。

反饋生成

由于來自執(zhí)行環(huán)境的錯(cuò)誤消息通常非常高級，因此它們提供的修復(fù)信號很少。作為中間步驟，研究者使用反饋模型來更詳細(xì)地解釋出了什么問題；示例如圖 1（組件 4）所示。形式上，在這個(gè)階段，他們?yōu)槊總€(gè)錯(cuò)誤的程序 p_i 生成 n_f 個(gè)反饋?zhàn)址?/span>，具體如下所示：

有了明確的反饋生成步驟，就可以消融這個(gè)組件，獨(dú)立地研究它的意義。

代碼修復(fù)

在最后一步中，對于每個(gè)初始程序 p_i 和反饋 f_ij，可以從采樣 n_r 個(gè)候選修復(fù)程序：

修復(fù)樹。研究者將該過程生成的包含文本和程序的樹稱為植根于規(guī)范中的 ψ，然后分支到初始程序 p_i，每個(gè)初始程序分支到反饋 f_ij，然后對修復(fù)樹 r_ijk 進(jìn)行修復(fù)，如下圖所示。

注意：聯(lián)合采樣反饋和修復(fù)。上述通用框架不要求編程模型和反饋模型相同，因此兩個(gè)模型可以使用各自的專有模型。然而，當(dāng) M_P=M_F 時(shí)，研究者在單個(gè) API 調(diào)用中聯(lián)合生成反饋和修復(fù)的程序，因?yàn)?GPT-3.5 和 GPT-4 都有在響應(yīng)中交織文本和代碼的自然傾向。形式上，研究者將其表示為

圖片

pass@t：通過率與 token 數(shù)量的關(guān)系

由于自修復(fù)需要幾個(gè)非均勻成本的依賴模型調(diào)用，因此 pass@k 這種在 k 個(gè)獨(dú)立同分布樣本中獲得正確程序的可能性指標(biāo)，不是用于比較和評估自修復(fù)的各種超參數(shù)選擇的合適度量。相反，研究者將通過率作為從模型中采樣的 token 總數(shù)的函數(shù)，稱之為 pass@t。

形式上，假設(shè)一個(gè)數(shù)據(jù)集 D={ψ_d}_d 和超參數(shù)（M_P，M_F，n_p，n_f，n_r）的一組選定值。令表示上文所述對任務(wù) ψ_d 進(jìn)行采樣的修復(fù)樹；令 size（T^i_d）表示修復(fù)樹中的程序和反饋 token 的總數(shù)；并在當(dāng)且僅當(dāng) T^i_d 至少有一個(gè)葉子節(jié)點(diǎn)程序滿足規(guī)范中的單元測試 ψ_d 時(shí)，令 T^i_d |=ψ_d 為真。然后 pass@t 這種超參數(shù)選擇的度量被定義為希望通過這種超參數(shù)選擇生成的 token 數(shù)量時(shí)預(yù)期通過率：

實(shí)驗(yàn)繪制了這兩個(gè)量的 bootstrapped estimates（一種統(tǒng)計(jì)估計(jì)方法，通常用于評估參數(shù)估計(jì)的不確定性）。為了獲得這些數(shù)值，本文首先為每個(gè)任務(wù)規(guī)范生成一個(gè)非常大的修復(fù)樹，其中：有 N_p≥n_p 個(gè)初始程序樣本；每個(gè)錯(cuò)誤程序有 N_f≥n_f 個(gè)反饋?zhàn)址徊⑶颐總€(gè)反饋串有 N_r≥n_r 個(gè)修復(fù)候選。給定（n_p，n_f，n_r）的設(shè)置，然后從這個(gè)凍結(jié)的數(shù)據(jù)集中對 N_t 個(gè)不同的修復(fù)樹進(jìn)行子采樣（帶替換）。最后，本文計(jì)算了這 N_t 棵樹上通過率和樹大小的樣本均值和標(biāo)準(zhǔn)差。如此估計(jì) pass@t 大大降低了實(shí)驗(yàn)的計(jì)算成本，因?yàn)榭梢灾赜孟嗤某跏紨?shù)據(jù)集來計(jì)算 n_p、n_f 和 n_r 的所有不同選擇的估計(jì)。

本文所有實(shí)驗(yàn)中，N_p=50，自修復(fù)方法中 n_p≤25，基線無修復(fù)方法中 n_p≤50。類似地，對于反饋，本文令 N_f=25 和 N_f≤10。對于候選修復(fù)，由于本文在大多數(shù)實(shí)驗(yàn)中對反饋和修復(fù)進(jìn)行聯(lián)合采樣，因此本文設(shè)置 N_r=n_r=1。最后，本文對所有設(shè)置使用 N_t=1000。

實(shí)驗(yàn)

研究者針對以下問題進(jìn)行了相關(guān)實(shí)驗(yàn)：

（a）在具有挑戰(zhàn)性的編程難題的背景下，對于本文提出的模型，自修復(fù)是否比不修復(fù)的獨(dú)立同分布采樣更好？如果是，在什么超參數(shù)下自修復(fù)最有效？

（b） 更強(qiáng)的反饋模型會提高模型的修復(fù)性能嗎？

（c） 即使是最強(qiáng)的模型，讓人參與提供反饋會帶來更好的修復(fù)性能嗎？

本文使用 APPS 數(shù)據(jù)集評估了這些關(guān)于 Python 編程挑戰(zhàn)的疑惑。

自修復(fù)需要強(qiáng)大的模型和多樣化的初始樣本

令 M_P=M_F∈{GPT-3.5，GPT-4}，用于代碼 / 修復(fù)生成和反饋生成的是同一個(gè)模型。GPT-3.5 的結(jié)果見圖 3，GPT-4 的結(jié)果見圖 4。

從圖中可以看出，對于 GPT-3.5 模型，pass@t 在所有的 n_p、n_fr 選值中，都低于或等于相應(yīng)基線（黑線），這清楚地表明自修復(fù)不是 GPT-3.5 的有效策略。另一方面，對于 GPT-4，有幾個(gè) n_p、n_fr 值，其自修復(fù)的通過率明顯優(yōu)于基線的通過率。例如，當(dāng) n_p=10，n_fr=3 時(shí)，通過率從 65% 增加到 70%，當(dāng) n_p=25，n_fr=1 時(shí)，通過率從 65% 增加至 71%。

GPT-4 的反饋改進(jìn)了 GPT-3.5 自修復(fù)能力

接下來，本文進(jìn)行了一個(gè)實(shí)驗(yàn)，在這個(gè)實(shí)驗(yàn)中，研究者評估了使用一個(gè)單獨(dú)的、更強(qiáng)的模型來生成反饋的影響。這是為了檢驗(yàn)一種假設(shè)：即模型無法內(nèi)省和調(diào)試自己本身的代碼，從而阻礙了自修復(fù)（尤其是 GPT-3.5）。

該實(shí)驗(yàn)的結(jié)果如圖 5 所示（亮藍(lán)線）。研究者觀察到，就絕對性能而言，M_P=GPT-3.5，M_F=GPT-4 確實(shí)突破了性能障礙，變得比 GPT-3.5 的獨(dú)立同分布采樣效率略高。這表明反饋階段至關(guān)重要，改進(jìn)它可以緩解 GPT-3.5 自修復(fù)的瓶頸。

人類反饋顯著提高了 GPT-4 自修復(fù)的成功率

在本文的最后一個(gè)實(shí)驗(yàn)中，研究者考慮了在使用 GPT-4 等更強(qiáng)的模型進(jìn)行修復(fù)時(shí)使用專業(yè)人類程序員的反饋的效果。這項(xiàng)研究的目的不是直接比較人在循環(huán)中的方法與自修復(fù)方法，因?yàn)槿嗽谘h(huán)方法會帶來更多的認(rèn)知負(fù)擔(dān)，而本文沒有對此進(jìn)行研究。相反，本文的目標(biāo)是了解模型識別代碼中錯(cuò)誤的能力與人類相比如何，以及這如何影響自修復(fù)的下游性能。因此，該研究對人類反饋對自修復(fù)的影響進(jìn)行了定性和定量分析。

結(jié)果總結(jié)在表 1 中。我們首先注意到，當(dāng)我們用人類參與者的調(diào)試取代 GPT-4 自己的調(diào)試時(shí)，總體成功率提高了 1.57 倍以上。也許不足為奇的是，隨著問題變得越來越困難，相對差異也會增加，這表明當(dāng)任務(wù)（和代碼）變得更加復(fù)雜時(shí)，GPT-4 產(chǎn)生準(zhǔn)確和有用反饋的能力遠(yuǎn)遠(yuǎn)落后于我們的人類參與者。

此外，該研究還定性地分析了人類參與者提供的反饋與 GPT-4 提供的反饋之間的差異。

• 只有 2/80 個(gè)人貢獻(xiàn)的反饋?zhàn)址▊未a或顯式 Python；也就是說，獲得的幾乎所有人類反饋都是自然語言，偶爾穿插著單語句數(shù)學(xué) / 代碼表達(dá)式。
• GPT-4 的反饋更可能明顯不準(zhǔn)確（32/80 與人類反饋的 7/80）。
• GPT-4 更可能明確地建議小的變化（54/80 對 42/80；28/48 對 38/73，當(dāng)看起來正確時(shí)），而我們的人類參與者顯示出更大的趨勢來建議高水平的變化（23/80 對 18/80，GPT-4；21/73 對 13/48，當(dāng)看起來正確時(shí)）。
• 人類參與者有時(shí)會表達(dá)不確定性（7/80）；GPT-4 沒有（0/80）。

進(jìn)一步的分析表明，表 1 中的結(jié)果不是由于人為因素造成的，例如參與者提供了模型簡單復(fù)制的顯式代碼塊。相反，性能的差異似乎是由更準(zhǔn)確的反饋、在需要時(shí)建議對代碼進(jìn)行高級別、大規(guī)模更改的更大能力，以及參與者表達(dá)其不確定性的能力（而不是自信地給出潛在的不準(zhǔn)確反饋）共同造成的。