StarCoder: ¡que la fuente esté contigo!
StarCoder: may the source be with you!
May 9, 2023
Autores: 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
Resumen
La comunidad BigCode, una colaboración científico-abierta que trabaja en el desarrollo responsable de Modelos de Lenguaje de Gran Escala para Código (Code LLMs), presenta StarCoder y StarCoderBase: modelos de 15.500 millones de parámetros con una longitud de contexto de 8K, capacidades de relleno e inferencia rápida en lotes grandes habilitada por atención multi-consulta. StarCoderBase se entrenó con 1 billón de tokens provenientes de The Stack, una gran colección de repositorios de GitHub con licencias permisivas, herramientas de inspección y un proceso de exclusión voluntaria. Ajustamos StarCoderBase con 35.000 millones de tokens de Python, dando como resultado la creación de StarCoder. Realizamos la evaluación más completa hasta la fecha de los Code LLMs y demostramos que StarCoderBase supera a todos los Code LLMs abiertos que admiten múltiples lenguajes de programación y coincide o supera al modelo code-cushman-001 de OpenAI. Además, StarCoder supera a todos los modelos ajustados en Python, puede ser guiado para alcanzar un 40\% de pass@1 en HumanEval, y aún mantiene su rendimiento en otros lenguajes de programación. Damos varios pasos importantes hacia un lanzamiento seguro de modelos de acceso abierto, incluyendo una canalización mejorada de redacción de información personal identificable (PII) y una novedosa herramienta de trazabilidad de atribución, y ponemos los modelos StarCoder a disposición del público bajo una versión más viable comercialmente de la licencia Open Responsible AI Model.
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.