StarCoder: Möge der Quellcode mit dir sein!

StarCoder: may the source be with you!

May 9, 2023

Autoren: Raymond Li, Loubna Ben Allal, Yangtian Zi, Niklas Muennighoff, Denis Kocetkov, Chenghao Mou, Marc Marone, Christopher Akiki, Jia Li, Jenny Chim, Qian Liu, Evgenii Zheltonozhskii, Terry Yue Zhuo, Thomas Wang, Olivier Dehaene, Mishig Davaadorj, Joel Lamy-Poirier, João Monteiro, Oleh Shliazhko, Nicolas Gontier, Nicholas Meade, Armel Zebaze, Ming-Ho Yee, Logesh Kumar Umapathi, Jian Zhu, Benjamin Lipkin, Muhtasham Oblokulov, Zhiruo Wang, Rudra Murthy, Jason Stillerman, Siva Sankalp Patel, Dmitry Abulkhanov, Marco Zocca, Manan Dey, Zhihan Zhang, Nour Fahmy, Urvashi Bhattacharyya, Wenhao Yu, Swayam Singh, Sasha Luccioni, Paulo Villegas, Maxim Kunakov, Fedor Zhdanov, Manuel Romero, Tony Lee, Nadav Timor, Jennifer Ding, Claire Schlesinger, Hailey Schoelkopf, Jan Ebert, Tri Dao, Mayank Mishra, Alex Gu, Jennifer Robinson, Carolyn Jane Anderson, Brendan Dolan-Gavitt, Danish Contractor, Siva Reddy, Daniel Fried, Dzmitry Bahdanau, Yacine Jernite, Carlos Muñoz Ferrandis, Sean Hughes, Thomas Wolf, Arjun Guha, Leandro von Werra, Harm de Vries

cs.AI

Zusammenfassung

Die BigCode-Community, eine offene wissenschaftliche Zusammenarbeit, die sich mit der verantwortungsvollen Entwicklung von Large Language Models für Code (Code LLMs) beschäftigt, stellt StarCoder und StarCoderBase vor: Modelle mit 15,5 Milliarden Parametern, einer Kontextlänge von 8K, Infilling-Fähigkeiten und schneller Inferenz bei großen Batch-Größen, ermöglicht durch Multi-Query-Attention. StarCoderBase wurde auf 1 Billion Tokens trainiert, die aus The Stack stammen, einer umfangreichen Sammlung von GitHub-Repositories mit permissiven Lizenzen, die mit Inspektionswerkzeugen und einem Opt-out-Prozess ausgestattet sind. Wir haben StarCoderBase auf 35 Milliarden Python-Tokens feinabgestimmt, was zur Entwicklung von StarCoder führte. Wir führen die bisher umfassendste Bewertung von Code LLMs durch und zeigen, dass StarCoderBase jedes offene Code LLM, das mehrere Programmiersprachen unterstützt, übertrifft und mit dem OpenAI-Modell code-cushman-001 gleichzieht oder es übertrifft. Darüber hinaus übertrifft StarCoder jedes Modell, das auf Python feinabgestimmt ist, kann so gepromptet werden, dass es 40\% pass@1 auf HumanEval erreicht, und behält dennoch seine Leistung bei anderen Programmiersprachen bei. Wir unternehmen mehrere wichtige Schritte in Richtung einer sicheren Open-Access-Modellfreigabe, darunter eine verbesserte PII-Redaktionspipeline und ein neuartiges Attributionsverfolgungstool, und stellen die StarCoder-Modelle unter einer kommerziell tragfähigeren Version der Open Responsible AI Model-Lizenz öffentlich zur Verfügung.

English

The BigCode community, an open-scientific collaboration working on the responsible development of Large Language Models for Code (Code LLMs), introduces StarCoder and StarCoderBase: 15.5B parameter models with 8K context length, infilling capabilities and fast large-batch inference enabled by multi-query attention. StarCoderBase is trained on 1 trillion tokens sourced from The Stack, a large collection of permissively licensed GitHub repositories with inspection tools and an opt-out process. We fine-tuned StarCoderBase on 35B Python tokens, resulting in the creation of StarCoder. We perform the most comprehensive evaluation of Code LLMs to date and show that StarCoderBase outperforms every open Code LLM that supports multiple programming languages and matches or outperforms the OpenAI code-cushman-001 model. Furthermore, StarCoder outperforms every model that is fine-tuned on Python, can be prompted to achieve 40\% pass@1 on HumanEval, and still retains its performance on other programming languages. We take several important steps towards a safe open-access model release, including an improved PII redaction pipeline and a novel attribution tracing tool, and make the StarCoder models publicly available under a more commercially viable version of the Open Responsible AI Model license.