StarCoder: che il codice sorgente sia con te!
StarCoder: may the source be with you!
May 9, 2023
Autori: 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
Abstract
La comunità BigCode, una collaborazione scientifica aperta che lavora sullo sviluppo responsabile di Large Language Models per il codice (Code LLMs), presenta StarCoder e StarCoderBase: modelli da 15,5 miliardi di parametri con una lunghezza contestuale di 8K, capacità di completamento e inferenza rapida su grandi batch abilitata dall'attenzione multi-query. StarCoderBase è stato addestrato su 1 trilione di token provenienti da The Stack, una vasta raccolta di repository GitHub con licenze permissive, dotata di strumenti di ispezione e un processo di opt-out. Abbiamo perfezionato StarCoderBase su 35 miliardi di token Python, dando vita a StarCoder. Abbiamo condotto la valutazione più completa fino ad oggi dei Code LLMs, dimostrando che StarCoderBase supera ogni Code LLM open che supporta più linguaggi di programmazione e eguaglia o supera il modello OpenAI code-cushman-001. Inoltre, StarCoder supera ogni modello perfezionato su Python, può essere sollecitato per raggiungere il 40\% di pass@1 su HumanEval, mantenendo comunque le sue prestazioni su altri linguaggi di programmazione. Abbiamo compiuto diversi passi importanti verso un rilascio sicuro e ad accesso aperto del modello, inclusa una pipeline migliorata per la redazione dei dati personali (PII) e un nuovo strumento di tracciamento dell'attribuzione, rendendo i modelli StarCoder disponibili pubblicamente sotto una versione più commercialmente valida della licenza 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.