機器之心報道
編輯：杜偉
CMU 對現有開源和未開源的 AI 代碼生成模型進行了全面深入的系統性評估，并分析了它們在 C、C++、Python 等 12 中不同程式設計語言中的代碼自動完成表現。
最近，語言模型（Language Model, LM）在模組化程式設計語言源代碼方面展現出了令人印象深刻的性能。這些模型擅長代碼自動生成以及從自然語言描述中生成代碼等下遊任務。目前 SOTA 大規模語言代碼模型（如 Austin et al. (2021)）在基于 AI 的程式設計輔助領域已經取得了重大進展。此外，OpenAI 推出的Codex已經部署在了現實世界生産工具 GitHub Copilot 中，用作一個基于使用者上下文自動生成代碼的 in-IDE 開發者助手。
盡管大規模語言代碼模型取得了巨大成功，但最強大的模型并不是公開可用的。這阻止了這些模型在資源充足公司之外的應用，并限制了資源匮乏機構在該領域的研究。以 Codex 為例，它通過黑盒 API 調用提供了該模型輸出的收費通路，但模型的權重和訓練資料不可用。這阻止了研究人員微調模型，無法适應代碼完成之外的領域和任務。無法通路模型的内部也阻止了研究社群研究它們的其他關鍵方面，例如可解釋性、用于實作更高效部署的模型蒸餾以及融合檢索等額外元件。
同時，GPTNeo、GPT-J 和 GPT-NeoX 等中等和大規模預訓練語言模型是公開可用的。盡管這些模型是在包括新聞文章在内的多樣化文本、線上論壇以及少量 GitHub 軟體存儲庫的混合資源上訓練的，但它們可以用于生成具有合理性能的源代碼。此外，還有一些僅在源代碼上進行訓練的全新開源語言模型，比如 CodeParrot 是在 180GB 的 Python 代碼上訓練的。
遺憾的是，這些模型的大小和訓練方案的多樣性以及彼此之間都缺乏比較，許多模組化和訓練設計決策的影響仍不清楚。
在近日一篇論文中，來自 CMU 計算機科學學院的幾位研究者對跨不同程式設計語言的現有代碼模型——Codex、GPT-J、GPT-Neo、GPT-NeoX 和 CodeParrot 進行了系統評估。他們希望通過比較這些模型來進一步了解代碼模組化設計決策的前景，并指出關鍵的缺失一環，即迄今為止，沒有大規模開源語言模型專門針對多程式設計語言的代碼進行訓練。研究者推出了三個此類模型，參數量從 160M 到 2.7B，并命名為「PolyCoder」。
論文位址：https://arxiv.org/pdf/2202.13169.pdf
項目位址：https://github.com/VHellendoorn/Code-LMs
研究者首先對 PolyCoder、開源模型和 Codex 的訓練語評估設定進行了廣泛的比較；其次，在 HumanEval 基準上評估這些模型，并比較了不同大小和訓練步的模型如何擴充以及不同的溫度如何影響生成品質；最後，由于 HumanEval 隻評估自然語言和 Python 生成，他們針對 12 種語言中的每一種都建立了相應未見過的評估資料集，以評估不同模型的困惑度。
結果表明，盡管 Codex 聲稱最擅長 Python 語言，但在其他程式設計語言中也表現出奇得好，甚至優于在 Pile（專為訓練語言模型設計的 825G 資料集）上訓練的 GPT-J 和 GPT-NeoX。不過，在 C 語言中，PolyCoder 模型取得的困惑度低于包括 Codex 在内的所有其他模型。
下圖 1 展示了現有語言代碼模型及它們的大小和可用性，除 Codex 和 Austin'21 之外全部開源。
研究者還讨論了代碼語言模組化中使用的三種流行的預訓練方法，具體如下圖 2 所示。
評估設定
研究者使用外部和内部基準對所有模型展開了評估。
外在評估。代碼模組化的最流行下遊任務之一是給定自然語言描述的代碼生成。遵循 Chen et al. (2021)，他們在 HumanEval 資料集上評估了所有模型。該資料集上包含 164 個以代碼注釋和函數定義形式描述的提示，它們包括參數名稱和函數名稱以及用于判斷生成代碼是否正确的測試用例。
内在評估。為了評估不同模型的内在性能，他們在一組未見過的 GitHub 存儲庫上計算了每種語言的困惑度。并且，為了防止 GPT-Neo 和 GPT-J 等模型在訓練到測試的過程中出現資料洩露，他們在評估資料集上移除了在 Pile 訓練資料集的 GitHub 部分出現的存儲庫。
模型比較
研究者主要選取了自回歸預訓練語言模型，這類模型最适合代碼完成任務。具體地，他們評估了 Codex，OpenAI 開發的這一模型目前部署在了現實世界，并在代碼完成任務中展現出了卓越的性能。Codex 在 179GB（重複資料删除後）的資料集上進行訓練，該資料集包含了 2020 年 5 月從 GitHub 中獲得的 5400 萬個公開 Python 存儲庫。
至于開源模型，研究者比較了 GPT 的三種變體模型 ——GPT-Neo（27 億參數）、GPT-J（60 億參數）和 GPT-NeoX（200 億參數）。其中，GPT-NeoX 是目前可用的最大規模的開源預訓練語言模型。這些模型都在 Pile 資料集上進行訓練。
目前，社群并沒有專門針對多程式設計語言代碼進行訓練的大規模開源語言模型。為了彌補這一缺陷，研究者在 GitHub 中涵蓋 12 種不同程式設計語言的存儲庫集合上訓練了一個 27 億參數的模型——PolyCoder。
PolyCoder 的資料
原始代碼庫集合。研究者針對 12 種流行程式設計語言克隆了 2021 年 10 月 GitHub 上 Star 量超 50 的的最流行存儲庫。最開始未過濾的資料集為 631GB 和 3890 萬個檔案。
接着進行資料預處理。PolyCoder 與 CodeParrot、Codex 的資料預處理政策的詳細對比如下表 2 所示。
最後是重複資料删除和過濾。整體來看，過濾掉非常大和非常小的檔案以及删除重複資料，将檔案總量減少了 38%，資料集大小減少了 61%。下表 1 展示了過濾前後資料集大小的變化。
PolyCoder 的訓練
考慮到預算，研究者選擇将 GPT-2 作為模型架構。為了探究模型大小縮放的影響，他們分别訓練了參數量為 1.6 億、4 億和 27 億的 PolyCoder 模型，并使用 27 億參數的模型與 GPT-Neo 進行公平比較。
研究者使用 GPT-NeoX 工具包在單台機器上與 8 塊英偉達 RTX 8000 GPU 并行高效地訓練模型。訓練 27 億參數 PolyCode 模型的時間約為 6 周。在預設設定下，PolyCode 模型應該訓練 32 萬步。但受限于手頭資源，他們将學習率衰減調整至原來的一半，訓練了 15 萬步。
1.6 億、4 億和 27 億參數量 PolyCode 模型的訓練和驗證損失曲線如下圖 3 所示。可以看到，即使訓練 15 萬步之後，驗證損失依然降低。
下表 3 展示了訓練不同代碼模型中的設計決策和超參數比較情況。
實驗結果
外在評估
整體結果如下表 4 所示。在現有模型中，PolyCoder 弱于類似規模的 GPT-Neo 和規模更小的 Codex 300M。總的來說，該模型不如 Codex 和 GPT-Neo/J，但強于 CodeParrot。
縮放影響。為了進一步了解模型參數量對 HumanEval 代碼完成性能的影響，研究者在下圖 4 中展示了 Pass@1、Pass@10 和 Pass@100 的性能變化。
溫度影響。上述所有結果都是通過采樣不同溫度的語言模型并為每個名額選擇最佳值獲得的。研究者同樣感興趣的是不同的溫度如何影響最終生成品質，結果如下圖 5 所示。
内在評估
不同模型在評估資料集上的困惑度結果如下圖 6 所示。困惑度得分最高為 4。可以看到，PolyCoder 在 C 語言中優于 Codex 和其他所有模型。并且，僅與開源模型相比，PolyCoder 在 C、JavaScript、Rust、Scala 和 TypeScript 中的表現優于類似規模的 GPT-Neo 2.7B。
此外，除 C 語言之外的其他 11 種語言，包括 PolyCoder 在内的所有開源模型的表現都弱于 Codex。