论文阅读_代码生成模型_CodeLlama

英文名称: Code Llama: Open Foundation Models for Code中文名称: Code Llama：开放基础代码模型链接: https://arxiv.org/abs/2308.12950代码: https://github.com/facebookresearch/codellama作者: Baptiste Rozière, Jonas Gehring, Fabian Gloeckle, Sten Sootla, Itai Gat, Xiaoqing Ellen Tan, Yossi Adi, Jingyu Liu, Romain Sauvestre, Tal Remez, Jérémy Rapin, Artyom Kozhevnikov, Ivan Evtimov, Joanna Bitton, Manish Bhatt, Cristian Canton Ferrer, Aaron Grattafiori, Wenhan Xiong, Alexandre Défossez, Jade Copet, Faisal Azhar, Hugo Touvron, Louis Martin, Nicolas Usunier, Thomas Scialom, Gabriel Synnaeve机构: Meta AI日期: 2023-08-24引用次数: 319

1 读后感

Code Llama 是一个基于 llama2 模型进行训练得到的代码生成大模型。又针对代码填充、长上下文等特殊条件以及人类通常用法进行了优化，因此它集成了 llama2 对自然语言的理解，并针对代码生成场景进行了优化。

除了调用推理，我们一般主要利用微调模型来进行改进模型效果，因此选择一个好的基础模型作为工作基础非常重要，Code Llama 是当前代码生成模型中比较推荐的基础模型。

论文结构针对几项主要贡献进行了层层深入的讨论。在整理时，我把实现部分归纳了一下，把同一主题的内容放在一起了。

2 摘要

目标：发布 Code Llama 代码模型系列，基于 Llama 2 开发，提供了在开放模型中最先进的性能、填充能力、支持大型输入上下文，并具有 zero-shot 指令跟随能力，用于编程任务。

方法：提供多个版本以覆盖各种应用场景：基础模型（Code Llama）、Python 专业化模型（Code Llama-Python）和指令引导模型（Code Llama-Instruct），分别具有 7B、13B 和 34B 参数。

结论：这些模型在性能、填充能力、支持大型输入上下文以及 zero-shot 指令跟随能力方面表现出色。

3 引言

主要贡献

• 基于 llama2 训练：所有 Code Llama 模型都使用 Llama2 模型权重进行初始化，实验证明它优于仅在代码上训练的相同架构。
• 代码填充：生成代码时，需要考虑整个周围上下文的同时填充代码的缺失部分，因此通过多任务目标训练模型，包括自回归和因果填充预测。
• 长上下文：将最大上下文长度从 4,096 token 扩展到 100,000 个 token。
• 指令微调：在专有 Instruct 数据的混合上进行了进一步微调，以提高安全性和实用性。

4 Code Llama 实现

4.1 发布了三个版本

• Code Llama：基础模型。
• Code Llama – Python：用于 Python 版本。
• Code Llama – Instruct：引导微调版本。

4.2 训练数据

从 Llama 2 的 7B、13B 和 34B 版本开始，在初始阶段使用 500B token 训练 Code Llama。

4.3 代码填充

代码填充的目标是在给定周围上下文情况下预测程序缺失部分。

使用因果掩蔽的概念来训练填充模型。将字符级别的训练文档拆分为前缀、中间部分和后缀，拆分位置独立于文档长度上的均匀分布进行采样。

4.4 长上下文微调

提出了一个专用的长上下文微调（LCFT）阶段，模型支持 16,384 个 token 的序列，高于 Llama 2 和初始代码训练阶段使用的 4,096 个 token。对旋转位置嵌入进行优化，将基周期从 10,000 增加到 1,000,000 以进行微调。使模型支持处理更大的序列，并减少短距离注意力的倾向。

4.5 指令微调

使用三种不同类型的数据训练：

4.5.1 专有数据集

使用 Llama 2 论文中的指令调整数据集 “RLHF V5” 微调模型，通过人类反馈和人类反馈注释的强化学习的几个阶段收集，它结合了数以千计的监督微调示例，每个示例都包含用户和工具之间的多轮对话。

4.5.2 自我指导

专有数据集包含几个与代码相关的任务示例。

使用执行反馈来选择数据来训练我们的指令模型，而不是人工反馈。我们按照以下方法构建自学数据集，得到约 14,000 个问题 – 测试 – 解决方案三元组。

1. 通过提示生成 62,000 个访谈式编程问题 Llama 2 70B。详见附录中图 -9。
2. 通过删除完全重复的问题来消除重复问题集，从而产生约 52,000 个问题。
3. 对于每个问题：
   • 通过提示 Code Llama 7B 生成单元测试（图 10 中包含提示）。
   • 通过提示 Code Llama 7B 生成 10 个 Python 解决方案（图 11）。
   • 对十个解决方案运行单元测试。将通过测试的第一个解决方案（及其相应的问题和测试）添加到自指导数据集。

我们使用 Code Llama 7B 来生成测试和 Python 解决方案，因为作者发现，在相同的计算预算下，它比使用 34B 模型为每个问题生成更少的解决方案更有效。

4.5.3 排演

为了防止模型在一般编码和语言理解能力上倒退，Code Llama – Instruct 还使用来自代码数据集（6%）和自然语言数据集（2%）的一小部分数据进行训练。

4.6 训练方法

具体参数请见论文原文：Training details 部分。

4.7 结果

主实验结果如下，后面还有一些消融实验，用于展示文中几种优化的具体效果。

5 相关工作

相关工作中列出了其它主流的代码生成工具，也可以看一下。