Astraios: Ajuste de Instruções Eficiente em Parâmetros para Modelos de Linguagem de Grande Escala de Código

Astraios: Parameter-Efficient Instruction Tuning Code Large Language Models

January 1, 2024

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

cs.AI

Resumo

O alto custo do ajuste fino de parâmetros completos (FFT) em Modelos de Linguagem de Grande Escala (LLMs) levou ao desenvolvimento de uma série de métodos de ajuste fino eficiente em parâmetros (PEFT). No entanto, ainda não está claro quais métodos oferecem a melhor relação custo-desempenho em diferentes escalas de modelos. Apresentamos o Astraios, um conjunto de 28 modelos OctoCoder ajustados por instrução, utilizando 7 métodos de ajuste e 4 tamanhos de modelo com até 16 bilhões de parâmetros. Por meio de investigações em 5 tarefas e 8 conjuntos de dados diferentes, abrangendo tanto tarefas de compreensão quanto de geração de código, descobrimos que o FFT geralmente leva ao melhor desempenho downstream em todas as escalas, e os métodos PEFT diferem significativamente em sua eficácia com base na escala do modelo. O LoRA geralmente oferece a relação mais favorável entre custo e desempenho. Uma investigação mais aprofundada sobre os efeitos desses métodos na robustez do modelo e na segurança do código revela que modelos maiores tendem a demonstrar menor robustez e menos segurança. Por fim, exploramos as relações entre parâmetros atualizados, perda de entropia cruzada e desempenho da tarefa. Descobrimos que a eficácia do ajuste observada em modelos menores generaliza bem para modelos maiores, e a perda de validação no ajuste por instrução pode ser um indicador confiável do desempenho geral 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.