Astraios: Parameter-efficiënte instructie-afstemming voor grote taalmodellen in code

Samenvatting

De hoge kosten van volledige parameterfine-tuning (FFT) van Large Language Models (LLM's) hebben geleid tot een reeks parameter-efficiënte fine-tuningmethoden (PEFT). Het blijft echter onduidelijk welke methoden de beste balans tussen kosten en prestaties bieden bij verschillende modelschalen. Wij introduceren Astraios, een suite van 28 instructie-getunede OctoCoder-modellen die gebruikmaken van 7 tuningsmethoden en 4 modelschalen tot 16 miljard parameters. Door onderzoek over 5 taken en 8 verschillende datasets, die zowel codebegrip als codegeneratietaken omvatten, ontdekken we dat FFT over het algemeen leidt tot de beste downstreamprestaties op alle schalen, en dat PEFT-methoden aanzienlijk verschillen in hun effectiviteit afhankelijk van de modelschaal. LoRA biedt meestal de meest gunstige balans tussen kosten en prestaties. Verder onderzoek naar de effecten van deze methoden op zowel modelrobustheid als codebeveiliging onthult dat grotere modellen de neiging hebben om verminderde robuustheid en minder beveiliging te vertonen. Tot slot verkennen we de relaties tussen bijgewerkte parameters, kruis-entropieverlies en taakprestaties. We ontdekken dat de tuningeffectiviteit die wordt waargenomen bij kleine modellen goed generaliseert naar grotere modellen, en dat het validatieverlies bij instructietuning een betrouwbare indicator kan zijn van de algehele downstreamprestaties.

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.

Astraios: Parameter-efficiënte instructie-afstemming voor grote taalmodellen in code

Astraios: Parameter-Efficient Instruction Tuning Code Large Language Models

Samenvatting

Support