StarCoder 2 e The Stack v2: A Próxima Geração

StarCoder 2 and The Stack v2: The Next Generation

February 29, 2024

Autores: Anton Lozhkov, Raymond Li, Loubna Ben Allal, Federico Cassano, Joel Lamy-Poirier, Nouamane Tazi, Ao Tang, Dmytro Pykhtar, Jiawei Liu, Yuxiang Wei, Tianyang Liu, Max Tian, Denis Kocetkov, Arthur Zucker, Younes Belkada, Zijian Wang, Qian Liu, Dmitry Abulkhanov, Indraneil Paul, Zhuang Li, Wen-Ding Li, Megan Risdal, Jia Li, Jian Zhu, Terry Yue Zhuo, Evgenii Zheltonozhskii, Nii Osae Osae Dade, Wenhao Yu, Lucas Krauß, Naman Jain, Yixuan Su, Xuanli He, Manan Dey, Edoardo Abati, Yekun Chai, Niklas Muennighoff, Xiangru Tang, Muhtasham Oblokulov, Christopher Akiki, Marc Marone, Chenghao Mou, Mayank Mishra, Alex Gu, Binyuan Hui, Tri Dao, Armel Zebaze, Olivier Dehaene, Nicolas Patry, Canwen Xu, Julian McAuley, Han Hu, Torsten Scholak, Sebastien Paquet, Jennifer Robinson, Carolyn Jane Anderson, Nicolas Chapados, Mostofa Patwary, Nima Tajbakhsh, Yacine Jernite, Carlos Muñoz Ferrandis, Lingming Zhang, Sean Hughes, Thomas Wolf, Arjun Guha, Leandro von Werra, Harm de Vries

cs.AI

Resumo

O projeto BigCode, uma colaboração científico-aberta focada no desenvolvimento responsável de Modelos de Linguagem de Grande Escala para Código (Code LLMs), apresenta o StarCoder2. Em parceria com o Software Heritage (SWH), construímos o The Stack v2 sobre os bens comuns digitais de seu arquivo de código-fonte. Além dos repositórios do SWH, que abrangem 619 linguagens de programação, selecionamos cuidadosamente outras fontes de dados de alta qualidade, como pull requests do GitHub, notebooks do Kaggle e documentação de código. Isso resulta em um conjunto de treinamento 4 vezes maior que o primeiro conjunto de dados do StarCoder. Treinamos os modelos StarCoder2 com 3B, 7B e 15B de parâmetros em 3,3 a 4,3 trilhões de tokens e os avaliamos minuciosamente em um conjunto abrangente de benchmarks para Code LLMs. Descobrimos que nosso modelo pequeno, o StarCoder2-3B, supera outros Code LLMs de tamanho similar na maioria dos benchmarks e também supera o StarCoderBase-15B. Nosso modelo grande, o StarCoder2-15B, supera significativamente outros modelos de tamanho comparável. Além disso, ele iguala ou supera o CodeLlama-34B, um modelo mais que o dobro de seu tamanho. Embora o DeepSeekCoder-33B seja o modelo de melhor desempenho na conclusão de código para linguagens de alta disponibilidade de recursos, descobrimos que o StarCoder2-15B o supera em benchmarks de raciocínio matemático e de código, bem como em várias linguagens de baixa disponibilidade de recursos. Disponibilizamos os pesos do modelo sob uma licença OpenRAIL e garantimos total transparência em relação aos dados de treinamento, liberando os Identificadores Persistentes do Software Heritage (SWHIDs) dos dados de código-fonte.

English

The BigCode project, an open-scientific collaboration focused on the responsible development of Large Language Models for Code (Code LLMs), introduces StarCoder2. In partnership with Software Heritage (SWH), we build The Stack v2 on top of the digital commons of their source code archive. Alongside the SWH repositories spanning 619 programming languages, we carefully select other high-quality data sources, such as GitHub pull requests, Kaggle notebooks, and code documentation. This results in a training set that is 4x larger than the first StarCoder dataset. We train StarCoder2 models with 3B, 7B, and 15B parameters on 3.3 to 4.3 trillion tokens and thoroughly evaluate them on a comprehensive set of Code LLM benchmarks. We find that our small model, StarCoder2-3B, outperforms other Code LLMs of similar size on most benchmarks, and also outperforms StarCoderBase-15B. Our large model, StarCoder2- 15B, significantly outperforms other models of comparable size. In addition, it matches or outperforms CodeLlama-34B, a model more than twice its size. Although DeepSeekCoder- 33B is the best-performing model at code completion for high-resource languages, we find that StarCoder2-15B outperforms it on math and code reasoning benchmarks, as well as several low-resource languages. We make the model weights available under an OpenRAIL license and ensure full transparency regarding the training data by releasing the SoftWare Heritage persistent IDentifiers (SWHIDs) of the source code data.