微軟祭出代碼大模型WaveCoder！四項(xiàng)代碼任務(wù)兩萬個(gè)實(shí)例數(shù)據(jù)集，讓LLM泛化能力飆升

作者：新智元 2024-01-08 13:37:00

指令調(diào)優(yōu)或許是讓大模型性能提升最有潛力的方法。

用高質(zhì)量數(shù)據(jù)集進(jìn)行指令調(diào)優(yōu)，能讓大模型性能快速提升。

對(duì)此，微軟研究團(tuán)隊(duì)訓(xùn)練了一個(gè)CodeOcean數(shù)據(jù)集，包含了2萬個(gè)指令實(shí)例的數(shù)據(jù)集，以及4個(gè)通用代碼相關(guān)任務(wù)。

與此同時(shí)，研究人員微調(diào)了一個(gè)代碼大模型WaveCoder。

論文地址：https://arxiv.org/abs/2312.14187

實(shí)驗(yàn)結(jié)果表明，Wavecoder優(yōu)于其他開源模型，在以前的代碼生成任務(wù)中表現(xiàn)出色。

指令調(diào)優(yōu)，釋放「代碼大模型」?jié)摿?/h4>
過去的一年，GPT-4、Gemini、Llama等大模型在一系列復(fù)雜NLP任務(wù)中取得了前所未有的性能。
這些LLM利用自監(jiān)督預(yù)訓(xùn)練的過程，以及隨后的微調(diào)，展示了強(qiáng)大的零/少樣本的能力，能夠有效遵循人類指示完成不同的任務(wù)。
然而，若想訓(xùn)練微調(diào)這樣一個(gè)大模型，其成本非常巨大。
因此，一些相對(duì)較小的LLM，特別是代碼大語言模型（Code LLM），因其在廣泛的代碼相關(guān)任務(wù)上的卓越的性能，而引起了許多研究者的關(guān)注。
鑒于LLM可以通過預(yù)訓(xùn)練獲得豐富的專業(yè)知識(shí)，因此在代碼語料庫上進(jìn)行高效的預(yù)訓(xùn)練，對(duì)代碼大模型至關(guān)重要。
包括Codex、CodeGen、StarCoder和CodeLLaMa在內(nèi)的多項(xiàng)研究已經(jīng)成功證明，預(yù)訓(xùn)練過程可以顯著提高大模型處理代碼相關(guān)問題的能力。
此外，指令調(diào)優(yōu)的多項(xiàng)研究（FLAN、ExT5）表明，指令調(diào)優(yōu)后的模型在各種任務(wù)中的表現(xiàn)符合人類預(yù)期。
這些研究將數(shù)千個(gè)任務(wù)納入訓(xùn)練管道，以提高預(yù)訓(xùn)練模型對(duì)下游任務(wù)的泛化能力。
比如，InstructGPT通過整合人類標(biāo)注者編寫的高質(zhì)量指令數(shù)據(jù)，有效地調(diào)整了用戶輸入，推進(jìn)指令調(diào)優(yōu)的進(jìn)一步探索。
斯坦福的Alpaca利用ChatGPT通過Self-Instruct的方法，自己生成指令數(shù)據(jù)，進(jìn)而用于指令調(diào)優(yōu)的過程。
WizardLM和WizardCoder則應(yīng)用了evol-instruct的方法，進(jìn)一步提高了預(yù)訓(xùn)練模型的有效性。
這些近來的研究都體現(xiàn)了，指令調(diào)優(yōu)在提高大模型性能方面，展現(xiàn)出強(qiáng)大的潛力。
基于這些工作，研究人員的直覺是，指令調(diào)優(yōu)可以激活大模型的潛力，然后將預(yù)訓(xùn)練模型微調(diào)到出色的智能水平。
對(duì)此，他們總結(jié)了指令調(diào)優(yōu)的主要功能：
- 泛化
指令調(diào)優(yōu)最初是為了增強(qiáng)大模型的跨任務(wù)泛化能力而提出的，當(dāng)使用不同的NLP任務(wù)指令進(jìn)行微調(diào)時(shí)，指令調(diào)優(yōu)可提高模型在大量未見任務(wù)中的性能。
- 對(duì)齊
預(yù)訓(xùn)練模型從大量token和句子層面的自監(jiān)督任務(wù)中學(xué)習(xí)，已經(jīng)具備了理解文本輸入的能力。指令調(diào)優(yōu)為這些預(yù)訓(xùn)練模型提供了指令級(jí)任務(wù)，讓它們能夠從指令中提取原始文本語義之外的更多信息。這些額外的信息是用戶的意圖，能增強(qiáng)它們與人類用戶的交互能力，從而有助于對(duì)齊。
為了通過指令調(diào)優(yōu)提高代碼大模型的性能，目前已有許多設(shè)計(jì)好的生成指令數(shù)據(jù)的方法，主要集中在兩個(gè)方面。
例如，self-instructe、vol-instruct利用teacher LLM的零/少樣本的能力來生成指令數(shù)據(jù)，這為教學(xué)數(shù)據(jù)的生成提供了一種神奇的方法。
然而，這些生成方法過于依賴于teacher LLM的性能，有時(shí)會(huì)產(chǎn)生大量的重復(fù)數(shù)據(jù)，便會(huì)降低微調(diào)的效率。

CodeOcean：四項(xiàng)任務(wù)代碼相關(guān)指令數(shù)據(jù)

為了解決這些問題，如圖2所示，研究人員提出了一種可以充分利用源代碼，并明確控制生成數(shù)據(jù)質(zhì)量的方法。

由于指令調(diào)優(yōu)是為了使預(yù)訓(xùn)練模型與指令遵循訓(xùn)練集保持一致，研究人員提出了一個(gè)用于指令數(shù)據(jù)生成的LLM Generator-Disciminator（大模型生成器-判別器）框架。

通過使用生成器和判別器，最新方法可以使數(shù)據(jù)生成過程，更可定制和更可控。

該方法以原始代碼作為輸入，選擇核心數(shù)據(jù)集，通過調(diào)整原始代碼的分布，可以穩(wěn)定地生成更真實(shí)的指令數(shù)據(jù)，控制數(shù)據(jù)的多樣性。

針對(duì)上述挑戰(zhàn)，研究人員將指令實(shí)例分類為4個(gè)通用的代碼相關(guān)任務(wù)：代碼匯總、代碼生成、代碼翻譯、代碼修復(fù)。

同時(shí)，使用數(shù)據(jù)生成策略為4個(gè)代碼相關(guān)的任務(wù)生成一個(gè)由20000個(gè)指令實(shí)例的數(shù)據(jù)集，稱為CodeOcean。

為了驗(yàn)證最新的方法，研究人員將StarCoder、CodeLLaMa、DeepseekCoder作為基礎(chǔ)模型，根據(jù)最新的數(shù)據(jù)生成策略，微調(diào)出全新的WaveCoder模型。

與此同時(shí)，研究人員在 HumanEval、MBPP、HumanEvalPack對(duì)模型進(jìn)行了評(píng)估，結(jié)果表明，WaveCoder在小規(guī)模指令調(diào)優(yōu)的基準(zhǔn)上擁有出色的性能。

代碼數(shù)據(jù)生成

如上所述，研究人員選擇了4個(gè)具有代表性的編碼任務(wù)，并從開源數(shù)據(jù)集中收集原始代碼。

以下具體介紹了訓(xùn)練數(shù)據(jù)生成過程。

在本節(jié)中，我們將介紹我們探索的方法細(xì)節(jié)。我們首先選擇4個(gè)代表性的編碼任務(wù)，并從開源數(shù)據(jù)集中收集原始代碼。

對(duì)于每個(gè)任務(wù)，作者使用GPT-3.5-turbo生成指令數(shù)據(jù)進(jìn)行微調(diào)。生成提示如表2所示。

如下，是LLM Generator-Disciminator整體架構(gòu)，也是數(shù)據(jù)生成的完整過程。

Codesearchnet是一個(gè)包含來自 GitHub 上托管的開源庫的200萬對(duì)(注釋、代碼)的數(shù)據(jù)集。它包括6種編程語言的代碼和文檔。我們選擇 CodeSearchNet 作為我們的基礎(chǔ)數(shù)據(jù)集，并應(yīng)用基于 coreset 的選擇方法KCenterGreedy來最大化原始代碼的多樣性。

具體來說，生成器根據(jù)輸入（a）生成指令數(shù)據(jù)。隨后，判別器接受輸出并生成分析結(jié)果，輸出（b）包括四個(gè)鍵，研究人員將這些信息作為指令調(diào)優(yōu)的輸入和輸出。

分析（c）包括每條規(guī)則的詳細(xì)原因和總體答案，以檢查樣本是否滿足所有要求。