StarCoder: ソースコードと共にあらんことを！

StarCoder: may the source be with you!

May 9, 2023

著者: 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

要旨

BigCodeコミュニティは、コード向け大規模言語モデル（Code LLMs）の責任ある開発に取り組むオープンサイエンスの協業組織であり、StarCoderとStarCoderBaseを紹介します。これらは15.5Bパラメータのモデルで、8Kのコンテキスト長、埋め込み機能、マルチクエリアテンションによる高速な大規模バッチ推論を備えています。StarCoderBaseは、The Stackから取得した1兆トークンでトレーニングされています。The Stackは、許諾ライセンスを持つGitHubリポジトリの大規模なコレクションであり、検査ツールとオプトアウトプロセスを備えています。StarCoderBaseを35BのPythonトークンでファインチューニングし、StarCoderを作成しました。我々はこれまでで最も包括的なCode LLMsの評価を実施し、StarCoderBaseが複数のプログラミング言語をサポートするすべてのオープンCode LLMを上回り、OpenAIのcode-cushman-001モデルと同等またはそれ以上の性能を示すことを確認しました。さらに、StarCoderはPythonでファインチューニングされたすべてのモデルを上回り、HumanEvalで40%のpass@1を達成するようプロンプトすることが可能であり、他のプログラミング言語での性能も維持しています。我々は、安全なオープンアクセスモデルのリリースに向けて、改良されたPII編集パイプラインと新しい帰属追跡ツールを含むいくつかの重要なステップを踏み、StarCoderモデルをOpen Responsible AI Modelライセンスのより商業的に実用的なバージョンの下で公開します。

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.