最近，語言模型（Language Model, LM）在建模編程語言源代碼方面展現(xiàn)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游任務。當前 SOTA 大規(guī)模語言代碼模型（如 Austin et al. (2021)）在基于 AI 的編程輔助領域已經(jīng)取得了重大進展。此外，OpenAI 推出的 Codex 已經(jīng)部署在了現(xiàn)實世界生產(chǎn)工具 GitHub Copilot 中，用作一個基于用戶上下文自動生成代碼的 in-IDE 開發(fā)者助手。

盡管大規(guī)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，并限制了資源匱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訪問，但模型的權重和訓練數(shù)據(jù)不可用。這阻止了研究人員微調模型，無法適應代碼完成之外的領域和任務。無法訪問模型的內部也阻止了研究社區(qū)研究它們的其他關鍵方面，例如可解釋性、用于實現(xiàn)更高效部署的模型蒸餾以及融合檢索等額外組件。

同時，GPTNeo、GPT-J 和 GPT-NeoX 等中等和大規(guī)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內的多樣化文本、在線論壇以及少量 GitHub 軟件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，許多建模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編程語言的現(xiàn)有代碼模型——Codex、GPT-J、GPT-Neo、GPT-NeoX 和 CodeParrot 進行了系統(tǒng)評估。他們希望通過比較這些模型來進一步了解代碼建模設計決策的前景，并指出關鍵的缺失一環(huán)，即迄今為止，沒有大規(guī)模開源語言模型專門針對多編程語言的代碼進行訓練。研究者推出了三個此類模型，參數(shù)量從 160M 到 2.7B，并命名為「PolyCoder」。

• 論文地址：https://arxiv.org/pdf/2202.13169.pdf
• 項目地址：https://github.com/VHellendoorn/Code-LMs

研究者首先對 PolyCoder、開源模型和 Codex 的訓練語評估設置進行了廣泛的比較；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展以及不同的溫度如何影響生成質量；最后，由于 HumanEval 只評估自然語言和 Python 生成，他們針對 12 種語言中的每一種都創(chuàng)建了相應未見過的評估數(shù)據(jù)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，但在其他編程語言中也表現(xiàn)出奇得好，甚至優(yōu)于在 Pile（專為訓練語言模型設計的 825G 數(shù)據(jù)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 在內的所有其他模型。

下圖 1 展示了現(xiàn)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。

研究者還討論了代碼語言建模中使用的三種流行的預訓練方法，具體如下圖 2 所示。

評估設置

研究者使用外部和內部基準對所有模型展開了評估。

外在評估。代碼建模的最流行下游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 數(shù)據(jù)集上評估了所有模型。該數(shù)據(jù)集上包含 164 個以代碼注釋和函數(shù)定義形式描述的提示，它們包括參數(shù)名稱和函數(shù)名稱以及用于判斷生成代碼是否正確的測試用例。

內在評估。為了評估不同模型的內在性能，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(xiàn)數(shù)據(jù)泄露，他們在評估數(shù)據(jù)集上移除了在 Pile 訓練數(shù)據(jù)集的 GitHub 部分出現(xiàn)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，這類模型最適合代碼完成任務。具體地，他們評估了 Codex，OpenAI 開發(fā)的這一模型目前部署在了現(xiàn)實世界，并在代碼完成任務中展現(xiàn)出了卓越的性能。Codex 在 179GB（重復數(shù)據(jù)刪除后）的數(shù)據(jù)集上進行訓練，該數(shù)據(jù)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(shù)）、GPT-J（60 億參數(shù)）和 GPT-NeoX（200 億參數(shù)）。其中，GPT-NeoX 是目前可用的最大規(guī)模的開源預訓練語言模型。這些模型都在 Pile 數(shù)據(jù)集上進行訓練。

目前，社區(qū)并沒有專門針對多編程語言代碼進行訓練的大規(guī)模開源語言模型。為了彌補這一缺陷，研究者在 GitHub 中涵蓋 12 種不同編程語言的存儲庫集合上訓練了一個 27 億參數(shù)的模型——PolyCoder。

PolyCoder 的數(shù)據(jù)

原始代碼庫集合。研究者針對 12 種流行編程語言克隆了 2021 年 10 月 GitHub 上 Star 量超 50 的的最流行存儲庫。最開始未過濾的數(shù)據(jù)集為 631GB 和 3890 萬個文件。

接著進行數(shù)據(jù)預處理。PolyCoder 與 CodeParrot、Codex 的數(shù)據(jù)預處理策略的詳細對比如下表 2 所示。

最后是重復數(shù)據(jù)刪除和過濾。整體來看，過濾掉非常大和非常小的文件以及刪除重復數(shù)據(jù)，將文件總量減少了 38%，數(shù)據(jù)集大小減少了 61%。下表 1 展示了過濾前后數(shù)據(jù)集大小的變化。

PolyCoder 的訓練

考慮到預算，研究者選擇將 GPT-2 作為模型架構。為了探究模型大小縮放的影響，他們分別訓練了參數(shù)量為 1.6 億、4 億和 27 億的 PolyCoder 模型，并使用 27 億參數(shù)的模型與 GPT-Neo 進行公平比較。

研究者使用 GPT-NeoX 工具包在單臺機器上與 8 塊英偉達 RTX 8000 GPU 并行高效地訓練模型。訓練 27 億參數(shù) PolyCode 模型的時間約為 6 周。在默認設置下，PolyCode 模型應該訓練 32 萬步。但受限于手頭資源，他們將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(shù)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 萬步之后，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(shù)比較情況。

實驗結果

外在評估

整體結果如下表 4 所示。在現(xiàn)有模型中，PolyCoder 弱于類似規(guī)模的 GPT-Neo 和規(guī)模更小的 Codex 300M?？偟膩碚f，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(shù)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指標選擇最佳值獲得的。研究者同樣感興趣的是不同的溫度如何影響最終生成質量，結果如下圖 5 所示。

內在評估

不同模型在評估數(shù)據(jù)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(yōu)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(xiàn)優(yōu)于類似規(guī)模的 GPT-Neo 2.7B。

此外，除 C 語言之外的其他 11 種語言，包括 PolyCoder 在內的所有開源模型的表現(xiàn)都弱于 Codex。