隨著大模型成為 AI 開發(fā)新范式，將大語言模型集成至編程領(lǐng)域、完成代碼生成與補(bǔ)全任務(wù)成為重要趨勢(shì)之一。業(yè)界出現(xiàn)了一些引人矚目的代碼大模型，比如 OpenAI 的 CodeX、谷歌 DeepMind 的 AlphaCode、HuggingFace 的 StarCoder 等等。

在國內(nèi)，去年 7 月底，華為諾亞方舟實(shí)驗(yàn)室語音語義實(shí)驗(yàn)室聯(lián)合華為云 PaaS 技術(shù)創(chuàng)新實(shí)驗(yàn)室推出了其代碼大模型 PanGu-Coder。與 Codex 和 AlphaCode 相比，該模型在代碼生成的一次通過率（PASS@1）指標(biāo)上大幅超越同等參數(shù)規(guī)模的模型，甚至優(yōu)于規(guī)模更大的模型。除了英文外，PanGu-Coder 在中文上表現(xiàn)出色。

PanGu-Coder 模型大小和配置。

根據(jù)對(duì) PanGu-Coder 的相關(guān)內(nèi)測(cè)表現(xiàn)，它不僅熟悉常見算法，而且能熟練地使用各種 API，求解高等數(shù)學(xué)問題也不在話下。

一年過去了，PanGu-Coder2 終于來了，論文已在 arXiv 上提交。此次華為云、中國科學(xué)院和北京大學(xué)的研究者聯(lián)合帶來了更強(qiáng)大的代碼生成大模型。

論文地址：https://arxiv.org/pdf/2307.14936.pdf

為了增強(qiáng)預(yù)訓(xùn)練代碼大模型的生成性能，各種各樣的方法被提出并應(yīng)用，比如監(jiān)督微調(diào)、指令調(diào)整、增強(qiáng)學(xué)習(xí)（RL）等。在本文中，針對(duì)現(xiàn)有基于 RL 方法所存在的問題并進(jìn)一步挖掘代碼大模型的潛力，研究者提出了一種全新的 RRTF 框架，它的全稱為 Rank Responses to align Test&Teacher Feedback，成功地在代碼大模型上應(yīng)用自然語言 LLM 對(duì)齊技術(shù)。

就其思路而言，RRTF 框架有別于以往的 CodeRL 和 RLTF，而是遵循了 RLHF（基于人類反饋的強(qiáng)化學(xué)習(xí)）的思路，使用排序響應(yīng)（代替獎(jiǎng)勵(lì)模型的絕對(duì)值）作為反饋，實(shí)現(xiàn)了更簡單和高效的訓(xùn)練方法。

研究者將 RRTF 應(yīng)用于開源的 StarCoder 15B 上，并推出了一個(gè)在所有已發(fā)布代碼大模型中實(shí)現(xiàn)最佳性能的 PanGu-Coder2。該模型在 OpenAI HumanEval 基準(zhǔn)上實(shí)現(xiàn)了 62.20% 的 pass@1 指標(biāo)，相較 PanGu-Coder 3 億參數(shù)版本的 17.07% 有了顯著提升。

不僅如此，在 CoderEval 和 LeetCode 基準(zhǔn)上的廣泛評(píng)估結(jié)果表明，PanGu-Coder2 超越了以往所有的代碼大模型。

方法概覽

RRTF 框架

研究者們提出了一個(gè)更簡單但是功能強(qiáng)大的框架 RRTF，它將幾種前沿技術(shù)無縫結(jié)合，包括指令調(diào)優(yōu)、Evol-Instruct 方法以及強(qiáng)化學(xué)習(xí)。本次方法的核心理念是：利用測(cè)試信號(hào)和人類偏好共同作為反饋，對(duì)響應(yīng)進(jìn)行排序，從而引導(dǎo)模型生成更高質(zhì)量的代碼。

因此，受最近大型自然語言模型與指令微調(diào)取得的進(jìn)展啟發(fā)，研究者提出了這一新的訓(xùn)練范式，即 RRTF 框架。框架概覽如下圖所示。

RRTF 包括以下三個(gè)步驟：采樣、排序和訓(xùn)練。

• 采樣階段：通過 Evol-Instruct 生成的 prompt 對(duì)響應(yīng)性進(jìn)行采樣。
• 排序階段：根據(jù)單元測(cè)試和啟發(fā)式偏好對(duì)不同來源的響應(yīng)進(jìn)行排序。
• 訓(xùn)練階段：使用 prompt 三元組和被選用 / 被拒絕響應(yīng)的相應(yīng)分?jǐn)?shù)來訓(xùn)練代碼大模型。

模型架構(gòu)

基于具有 Multi-Query-AttentionShazeer 的 decoder-only Transformer，研究者訓(xùn)練出一個(gè) 15B 參數(shù)的 PanGu-Coder2。同時(shí)利用 FlashAttention 來減少計(jì)算量和內(nèi)存占用。因此，該模型的最大長度可以擴(kuò)展到 8192。下表 1 顯示了該模型的詳細(xì)超參數(shù)。

訓(xùn)練語料庫

由于手動(dòng)收集高質(zhì)量語料庫耗時(shí)耗力，研究者遵循 Evol-Instruct 技術(shù)來構(gòu)建其訓(xùn)練語料庫。具體來講，他們基于 Alpaca 20K 數(shù)據(jù)集，并迭代進(jìn)化該數(shù)據(jù)集中的編程問題，從而獲得新的編程問題。prompt 如下圖 2 所示。

針對(duì)這些問題，研究者從不同模型中采樣了答案。總的來說，他們收集了一個(gè)包含 100K 個(gè)有答案編程問題的原始語料庫，并把它稱為指令和解答方案對(duì)（instruction and solution pairs）。然后利用一些手動(dòng)定義的規(guī)則在原始語料庫上進(jìn)行數(shù)據(jù)預(yù)處理，將其規(guī)模縮小至 68K。

更重要的，為了防止數(shù)據(jù)泄露，研究者花大力氣調(diào)查了其 68K 數(shù)據(jù)集與 HumanEval 基準(zhǔn)之間的潛在重疊。經(jīng)過細(xì)致的調(diào)查，他們確信其實(shí)驗(yàn)中無數(shù)據(jù)泄露，進(jìn)一步驗(yàn)證了 PanGu-Coder2 的有效性。

實(shí)現(xiàn)細(xì)節(jié)

研究者選擇 StarCoder 15B 作為基礎(chǔ)模型，并以 512 的全局批大小對(duì)其進(jìn)行 6 epoch 訓(xùn)練。圖 3 展示了單個(gè)訓(xùn)練樣本的格式。除了在 prompt 中添加一對(duì)三引號(hào)外，研究者只使用從響應(yīng)中提取的代碼片段進(jìn)行訓(xùn)練。

實(shí)驗(yàn)及評(píng)估

研究團(tuán)隊(duì)進(jìn)行了一系列的實(shí)驗(yàn)來評(píng)估 PanGu-Coder2 的性能。

性能

該研究將 PanGu-Coder2 與現(xiàn)有的代碼大模型在 Python 代碼生成方面進(jìn)行了性能比較。下表 2 顯示了在 HumanEval 基準(zhǔn)上的比較結(jié)果。

在所有閉源模型中，PanGu-Coder2 排名第二。與 PaLM-Coder 和 LaMDA 等大模型相比，PanGu-Coder2 雖然規(guī)模較小，但性能卻更好。值得注意的是，PanGu-Coder2 的表現(xiàn)優(yōu)于 OpenAI 的 GPT-3.5，但與 GPT-4 仍有差距。

表 3 展示了貪婪解碼的比較結(jié)果。在所有基準(zhǔn)測(cè)試中，PanGuCoder2 都取得了最好的成績。值得注意的是，PanGu-Coder2 不僅在 HumanEval 上超過了 WizardCoder 和 StarCoder，而且在 CoderEval 和 LeetCode 上也超過了這兩個(gè)模型。

表 2 和表 3 的實(shí)驗(yàn)結(jié)果可以得出以下結(jié)論：

• 在開源模型中，PanGu-Coder2 在 HumanEval 上以 61.64% pass@1 達(dá)到了 SOTA。
• 盡管 PanGu-Coder2 的規(guī)模較小，但其性能卻優(yōu)于 PaLM-Coder 和 LaMDA 等更大規(guī)模的模型。
• PanGu-Coder2 是實(shí)驗(yàn)中唯一同時(shí)在 HumanEval、CoderEval 和 LeetCode 上都達(dá)到最佳性能的模型。

如下圖 4 所示，整體準(zhǔn)確率隨著數(shù)據(jù)集大小的增加而增加：

在訓(xùn)練計(jì)算量方面，無論數(shù)據(jù)集大小如何，準(zhǔn)確率可能會(huì)在訓(xùn)練開始時(shí)急劇下降或持平。大約 2 個(gè) epoch 后，訓(xùn)練曲線變得更加穩(wěn)定，準(zhǔn)確率隨著損失的減少而持續(xù)上升。3 個(gè) epoch 后，準(zhǔn)確率達(dá)到最佳，而 4 個(gè) epoch 后，準(zhǔn)確率變得更加穩(wěn)定，顯示出收斂的跡象。這表明，PanGu-Coder2 模型大約需要 3-4 個(gè) epoch 才能完全捕捉到數(shù)據(jù)集中的知識(shí)，而之后的訓(xùn)練步驟對(duì)提高模型能力的幫助可能微乎其微。

用例研究

為了對(duì)模型進(jìn)行實(shí)證研究并分析未來的工作方向，該研究比較和分析了三個(gè)模型的成功和失敗案例：基礎(chǔ)模型 StarCoder、指令調(diào)整模型 WizardCoder 和 PanGu-Coder2 模型。下圖 5 顯示了三種模型在貪婪解碼（greedy decoding）和核采樣（nucleus sampling）方面的異同：

圖 5 還表明 PanGu-Coder2 和 WizardCoder 可以互補(bǔ)：雖然 PanGu-Coder2 解決了大部分問題，并且其中一些問題是 WizardCoder 無法解決的，但也有一些問題只能通過 WizardCoder 解決。此外，還有一些問題即使采樣 200 次，這三個(gè)模型也都無法解決。

該研究選擇 StarCoder、WizardCoder 和 PanGu-Coder2 生成的幾個(gè)具有代表性的示例代碼作為案例進(jìn)行研究，以對(duì) PanGu-Coder2 的優(yōu)缺點(diǎn)進(jìn)行評(píng)估。

如下圖 6 所示，PanGu-Coder2 能夠熟練地理解編程問題的邏輯，而 WizardCoder 和 StarCoder 在這方面有所欠缺。這一觀察結(jié)果表明，PanGu-Coder2 通過該研究提出的排名反饋，有效地在編程問題陳述和代碼解決方案之間建立了細(xì)致的映射。

如下圖 7 所示，在某些情況下，PanGu-Coder2 和 StarCoder 的性能差于 WizardCoder，WizardCoder 可能受益于使用大量豐富注釋代碼指令進(jìn)行訓(xùn)練。在某種程度上，這一觀察表明，引入注釋數(shù)據(jù)可能會(huì)在訓(xùn)練過程中產(chǎn)生積極效果。

此外，下圖 8 給出了一個(gè)復(fù)雜的編程挑戰(zhàn)，StarCoder、WizardCoder 和 PanGu-Coder2 都給出了錯(cuò)誤的代碼解決方案。這一觀察結(jié)果表明，目前代碼大模型在處理復(fù)雜編程要求方面仍達(dá)不到人類的熟練程度，還有一些改進(jìn)的空間。

推理優(yōu)化

GPU 內(nèi)存消耗和推理速度是模型實(shí)際部署和使用的關(guān)鍵因素，因此該研究使用 CTranslate2 和 GPTQ 兩種量化技術(shù)來進(jìn)行實(shí)驗(yàn)，研究模型推理的優(yōu)化策略。下表 4 展示了使用不同量化技術(shù)優(yōu)化的模型的 GPU 內(nèi)存消耗、推理速度和 HumanEval 性能。