Astraios: Sintonizzazione Efficiente dei Parametri per l'Addestramento su Istruzioni di Modelli Linguistici di Codice di Grandi Dimensioni

Astraios: Parameter-Efficient Instruction Tuning Code Large Language Models

January 1, 2024

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

cs.AI

Abstract

L'elevato costo del fine-tuning completo dei parametri (FFT) per i Large Language Models (LLM) ha portato allo sviluppo di una serie di metodi di fine-tuning efficiente in termini di parametri (PEFT). Tuttavia, non è ancora chiaro quali metodi offrano il miglior compromesso tra costo e prestazioni a diverse scale di modelli. Introduciamo Astraios, una suite di 28 modelli OctoCoder ottimizzati per istruzioni, utilizzando 7 metodi di tuning e 4 dimensioni di modello fino a 16 miliardi di parametri. Attraverso indagini su 5 task e 8 diversi dataset che comprendono sia compiti di comprensione che di generazione del codice, scopriamo che il FFT generalmente porta alle migliori prestazioni downstream su tutte le scale, e che i metodi PEFT differiscono significativamente nella loro efficacia in base alla scala del modello. LoRA di solito offre il compromesso più favorevole tra costo e prestazioni. Un'ulteriore indagine sugli effetti di questi metodi sia sulla robustezza del modello che sulla sicurezza del codice rivela che i modelli più grandi tendono a dimostrare una ridotta robustezza e meno sicurezza. Infine, esploriamo le relazioni tra i parametri aggiornati, la perdita di entropia incrociata e le prestazioni del task. Scopriamo che l'efficacia del tuning osservata nei modelli piccoli si generalizza bene ai modelli più grandi, e che la perdita di validazione nel tuning per istruzioni può essere un indicatore affidabile delle prestazioni complessive downstream.

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.