Astraios : Réglage efficace des paramètres pour l'ajustement par instruction des grands modèles de langage de code

Astraios: Parameter-Efficient Instruction Tuning Code Large Language Models

January 1, 2024

Auteurs: Terry Yue Zhuo, Armel Zebaze, Nitchakarn Suppattarachai, Leandro von Werra, Harm de Vries, Qian Liu, Niklas Muennighoff

cs.AI

Résumé

Le coût élevé du réglage fin des paramètres complets (FFT) des grands modèles de langage (LLMs) a conduit à une série de méthodes de réglage fin à paramètres efficaces (PEFT). Cependant, il reste incertain quelles méthodes offrent le meilleur compromis coût-performance à différentes échelles de modèles. Nous présentons Astraios, une suite de 28 modèles OctoCoder ajustés par instruction utilisant 7 méthodes de réglage et 4 tailles de modèles allant jusqu'à 16 milliards de paramètres. À travers des investigations sur 5 tâches et 8 ensembles de données différents englobant à la fois des tâches de compréhension et de génération de code, nous constatons que le FFT conduit généralement aux meilleures performances en aval à toutes les échelles, et que les méthodes PEFT diffèrent significativement dans leur efficacité en fonction de l'échelle du modèle. LoRA offre généralement le compromis le plus favorable entre coût et performance. Une investigation plus approfondie sur les effets de ces méthodes sur la robustesse et la sécurité du code révèle que les modèles plus grands tendent à démontrer une robustesse réduite et une sécurité moindre. Enfin, nous explorons les relations entre les paramètres mis à jour, la perte d'entropie croisée et la performance des tâches. Nous constatons que l'efficacité du réglage observée dans les petits modèles se généralise bien aux modèles plus grands, et que la perte de validation lors du réglage par instruction peut être un indicateur fiable de la performance globale en aval.

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.