開源「代碼大模型」來了！

UIUC清華團隊的研究人員發布了Magicoder，不到7B參數，就能在代碼生成領域與頂級代碼模型不相上下。

值得一提的是，Magicoder的代碼、權重和數據，毫無保留完全開源。

論文地址：https://arxiv.org/abs/2312.02120

Magicoder依靠的OSS-INSTRUCT的方法，是通過對現有頂級代碼模型（例如ChatGPT）的提示，加上網絡上的種子代碼片段，來生成的代碼。

這可真是取之于大模型，用之于大模型；就有網友轉發說道：通過這些結果，看到了提高用于LLMs的合成數據的潛力也是一個非常有趣的領域。

話不多說，那就讓我們來具體了解一下Magicoder的來歷吧！

代碼生成的發展史

代碼生成（Code Generation），也叫程序合成（Program Synthesis），近幾十年來，一直都是學術界的一塊「硬骨頭」，在此領域進行過的許多嘗試，例如基于抽象的合成和基于示例的編程，都沒有取得很好的效果。

直到最近，使用在代碼上訓練的大型語言模型取得了顯著的突破，被廣泛應用于輔助實際軟件開發。

最初，諸如GPT-3.5 Turbo和GPT-4之類的閉源模型主導了各種代碼生成基準和排行榜。

為了推動開源LLM在代碼生成領域的應用，SELF-INSTRUCT方法被開發出來，通過使用強大的LLM生成合成的編碼指令，并利用這些指令對較弱的學生模型進行微調，以從強大的教師模型中提取知識。

然而，SELF-INSTRUCT在提高LLM的指令遵循能力時，仍然依賴于狹窄范圍的預定義任務或啟發式方法。

為了解決這一問題，UIUC和清華的研究人員提出了Magicoder，其中采用的OSS-INSTRUCT方法，旨在減輕LLM固有的偏見，通過直接學習開源代碼釋放其創造高質量和創意編碼指令的潛力。

OSS-INSTRUCT通過從開源中搜集的隨機代碼片段獲得靈感，自動生成新的編碼問題。借助于不同的種子代碼片段，OSS-INSTRUCT能夠直接產生多樣、真實和可控的編碼指令數據。

如下圖所示，在這個例子中，LLM從兩個不同函數的不完整代碼片段中獲取靈感，成功地將它們關聯起來，并構建出一個現實的機器學習問題。

由于OSS-INSTRUCT與現有的數據生成方法是正交的，OSS-INSTRUCT可以被同時結合使用，進一步推動模型在編碼任務中的能力。

為什么OSS-INSTRUCT如此神奇？

OSS-INSTRUCT的工作方式是通過對LLM（例如ChatGPT）進行提示，然后根據從互聯網搜集的一些種子代碼片段（例如來自GitHub）生成編程問題及其解決方案。

一方面，種子片段提供了生成的可控性；

另一方面，OSS-INSTRUCT加強了LLM創建編程問題的多樣化，更符合真實的編程場景。

我們可以從以下幾個指標中一探究竟：

1. 類別平衡

如下圖所示，通過計算OSS-INSTRUCT中每個樣本的嵌入與這10個類別之間的余弦相似性，可以看出其在不同類別之間表現出了多樣性和平衡。

2. 長度分布

下圖展示生成問題和解決方案的長度分布，良好的平衡性讓OSS-INSTRUCT更貼合實際應用場景。

3. 與HumanEval的相似性計算

下圖展示了與HumanEval樣本的余弦相似性。

可以看出，OSS--INSTRUCT在所有研究的數據生成技術中表現出最低的平均相似度，這說明OSS--INSTRUCT生成的數據是最富有多樣性的。

但是，既然OSS-INSTRUCT獲取到的種子片段來自于開源代碼，為什么不直接在這些開源代碼上進行微調呢？

為了回答這個問題，研究人員遵循CodeSearchNet，使用基礎的CODELLAMA-PYTHON-7B對配對數據進行了2個時期的微調，遵循相同訓練設置。

對比結果如下表，在75,000個配對注釋-函數數據上，微調甚至使基礎模型惡化，而OSS-INSTRUCT有助于引入實質性的提升。

研究人員推測，這種惡化可能是由這些配對數據固有的大量噪聲和不一致性導致的。

這進一步表明，數據的真實性對于代碼指令調整至關重要，而非格式。

該結果還凸顯了OSS-INSTRUCT的優越性，可以將這些松散相關的代碼片段轉化為語義一致的指令調整數據。

Magicoder表現評估

研究團隊首先構建了使用OSS-INSTRUCT進行訓練的Magicoder系列，同時進一步組合使用OSS-INSTRUCT和Evol--INSTRUCT構建了MagicoderS系列，并在兩個系列上都進行了測試。

代碼生成基準使用的是HumanEval和MBPP，這是目前兩個最廣泛使用的基準。這些基準中的每個任務都包括一個任務描述（例如docstring）作為提示，然后讓LLMs生成相應的代碼。其正確性由少量測試用例進行檢查。

為了更嚴格的評估，研究人員還使用了由EvalPlus框架支持的HumanEval+和MBPP+以獲取更多的測試。

值得注意的是，MagicoderS-CL和MagicoderS-DS在HumanEval+上的表現都優于只有7B參數的ChatGPT。

讓我們具體看下Magicoder的表現：

1. Python語言

我們首先可以觀察到Magicoder-CL相在HumanEval和HumanEval+上相對于CODELLAMA-PYTHON-34B有了實質性的改進。

MagicoderS-CL在HumanEval+上優于ChatGPT和所有其他開源模型。

此外，盡管在HumanEval上得分略低于WizardCoder-CL-34B和ChatGPT，但在更嚴格的HumanEval+數據集上超過了它們，這表明MagicoderS-CL可能生成更穩健的代碼。

2. 其他編程語言

在除了Python之外的語言對比中，Magicoder-CL在所有研究過的編程語言中都大幅超過了基礎的CODELLAMA-PYTHON-7B。

此外，MagicoderS-CL在所有編程語言上都進一步改進了Magicoder-CL，僅使用7B參數就實現了與WizardCoder-CL-34B相當的性能。

值得注意的是，Magicoder-CL僅使用非常有限的多語言數據進行訓練，但仍然優于其他具有相似甚至更大規模的LLMs。這意味著LLMs可以從數據中學習超出其格式的知識。

3. 數據科學庫

最后，針對7個熱門Python數據科學庫的1,000個獨特的數據科學編碼問題（DS-1000 dataset），研究人員也進行了單元測試，旨在評估LLMs在實際用例中的表現。

從表中可以看出，Magicoder-CL-7B已經在所有評估的基線中表現出色，包括最先進的WizardCoder-SC-15B，改善了8.3個百分點。

雖然Magicoder還不夠完美，但作者認為，通過公開分享所有的數據和代碼細節，會有越來越多的先進代碼模型出現。

讓我們也拭目以待。