Feedback generato dal compilatore per modelli linguistici su larga scala

Compiler generated feedback for Large Language Models

March 18, 2024

Autori: Dejan Grubisic, Chris Cummins, Volker Seeker, Hugh Leather

cs.AI

Abstract

Introduciamo un nuovo paradigma nell'ottimizzazione dei compilatori basato su Modelli Linguistici di Grande Dimensione (LLM) con feedback del compilatore per ottimizzare le dimensioni del codice dell'assembly LLVM. Il modello prende come input un LLVM IR non ottimizzato e produce un IR ottimizzato, i migliori passaggi di ottimizzazione e i conteggi delle istruzioni sia per il IR non ottimizzato che per quello ottimizzato. Successivamente, compiliamo l'input con i passaggi di ottimizzazione generati e valutiamo se il conteggio delle istruzioni previsto è corretto, se il IR generato è compilabile e se corrisponde al codice compilato. Forniamo questo feedback al LLM e gli diamo un'altra opportunità di ottimizzare il codice. Questo approccio aggiunge un miglioramento aggiuntivo dello 0,53% rispetto a -Oz rispetto al modello originale. Nonostante l'aggiunta di ulteriori informazioni tramite feedback possa sembrare intuitiva, semplici tecniche di campionamento raggiungono prestazioni molto più elevate con 10 o più campioni.

English

We introduce a novel paradigm in compiler optimization powered by Large Language Models with compiler feedback to optimize the code size of LLVM assembly. The model takes unoptimized LLVM IR as input and produces optimized IR, the best optimization passes, and instruction counts of both unoptimized and optimized IRs. Then we compile the input with generated optimization passes and evaluate if the predicted instruction count is correct, generated IR is compilable, and corresponds to compiled code. We provide this feedback back to LLM and give it another chance to optimize code. This approach adds an extra 0.53% improvement over -Oz to the original model. Even though, adding more information with feedback seems intuitive, simple sampling techniques achieve much higher performance given 10 or more samples.