Astraios: Parameter-effizientes Instruction Tuning für Code-basierte Large Language Models

Zusammenfassung

Die hohen Kosten der vollständigen Feinabstimmung aller Parameter (Full-Parameter Fine-Tuning, FFT) von großen Sprachmodellen (Large Language Models, LLMs) haben zur Entwicklung einer Reihe von parameter-effizienten Feinabstimmungsmethoden (Parameter-Efficient Fine-Tuning, PEFT) geführt. Es bleibt jedoch unklar, welche Methoden die beste Kosten-Leistungs-Balance bei verschiedenen Modellgrößen bieten. Wir stellen Astraios vor, eine Sammlung von 28 instruktionsfeinabgestimmten OctoCoder-Modellen, die 7 Feinabstimmungsmethoden und 4 Modellgrößen bis zu 16 Milliarden Parametern umfasst. Durch Untersuchungen über 5 Aufgaben und 8 verschiedene Datensätze, die sowohl Code-Verständnis als auch Code-Generierungsaufgaben abdecken, stellen wir fest, dass FFT im Allgemeinen die beste nachgelagerte Leistung über alle Skalen hinweg bietet, und dass PEFT-Methoden in ihrer Wirksamkeit stark von der Modellgröße abhängen. LoRA bietet meist die günstigste Balance zwischen Kosten und Leistung. Weitere Untersuchungen zu den Auswirkungen dieser Methoden auf die Robustheit und Codesicherheit der Modelle zeigen, dass größere Modelle tendenziell eine geringere Robustheit und weniger Sicherheit aufweisen. Schließlich untersuchen wir die Zusammenhänge zwischen aktualisierten Parametern, Cross-Entropy-Verlust und Aufgabenleistung. Wir stellen fest, dass die in kleinen Modellen beobachtete Feinabstimmungseffektivität gut auf größere Modelle verallgemeinert werden kann und dass der Validierungsverlust bei der Instruktionsfeinabstimmung ein zuverlässiger Indikator für die gesamte nachgelagerte Leistung sein kann.

English

The high cost of full-parameter fine-tuning (FFT) of Large Language Models (LLMs) has led to a series of parameter-efficient fine-tuning (PEFT) methods. However, it remains unclear which methods provide the best cost-performance trade-off at different model scales. We introduce Astraios, a suite of 28 instruction-tuned OctoCoder models using 7 tuning methods and 4 model sizes up to 16 billion parameters. Through investigations across 5 tasks and 8 different datasets encompassing both code comprehension and code generation tasks, we find that FFT generally leads to the best downstream performance across all scales, and PEFT methods differ significantly in their efficacy based on the model scale. LoRA usually offers the most favorable trade-off between cost and performance. Further investigation into the effects of these methods on both model robustness and code security reveals that larger models tend to demonstrate reduced robustness and less security. At last, we explore the relationships among updated parameters, cross-entropy loss, and task performance. We find that the tuning effectiveness observed in small models generalizes well to larger models, and the validation loss in instruction tuning can be a reliable indicator of overall downstream performance.

Astraios: Parameter-effizientes Instruction Tuning für Code-basierte Large Language Models

Astraios: Parameter-Efficient Instruction Tuning Code Large Language Models

Zusammenfassung

Support