BigCodeBench: Оценка производительности генерации кода с разнообразными вызовами функций и сложными инструкциями

BigCodeBench: Benchmarking Code Generation with Diverse Function Calls and Complex Instructions

June 22, 2024

Авторы: Terry Yue Zhuo, Minh Chien Vu, Jenny Chim, Han Hu, Wenhao Yu, Ratnadira Widyasari, Imam Nur Bani Yusuf, Haolan Zhan, Junda He, Indraneil Paul, Simon Brunner, Chen Gong, Thong Hoang, Armel Randy Zebaze, Xiaoheng Hong, Wen-Ding Li, Jean Kaddour, Ming Xu, Zhihan Zhang, Prateek Yadav, Naman Jain, Alex Gu, Zhoujun Cheng, Jiawei Liu, Qian Liu, Zijian Wang, David Lo, Binyuan Hui, Niklas Muennighoff, Daniel Fried, Xiaoning Du, Harm de Vries, Leandro Von Werra

cs.AI

Аннотация

Автоматизированная инженерия программного обеспечения была значительно усилена недавними достижениями в области больших языковых моделей (LLM) для программирования. Хотя текущие бенчмарки показали, что LLM могут выполнять различные задачи по инженерии программного обеспечения, подобно человеческим разработчикам, большинство их оценок ограничены короткими и самодостаточными алгоритмическими задачами. Решение сложных и практических программных задач требует возможности использования разнообразных вызовов функций в качестве инструментов для эффективной реализации функциональностей, таких как анализ данных и веб-разработка. Кроме того, использование нескольких инструментов для решения задачи требует композиционного мышления при точном понимании сложных инструкций. Сочетание этих характеристик может представлять собой большое испытание для LLM. Для оценки способности LLM решать сложные и практические программные задачи мы представляем Bench, бенчмарк, который ставит перед LLM задачу вызова нескольких вызовов функций в качестве инструментов из 139 библиотек и 7 областей для 1,140 тонких программных задач. Для тщательной оценки LLM каждая программная задача включает 5.6 тестовых случаев с средним покрытием ветвей 99%. Кроме того, мы предлагаем вариант Bench, Benchi, ориентированный на естественный язык, который автоматически преобразует исходные документации в краткие инструкции только с основной информацией. Наше обширное исследование 60 LLM показывает, что LLM пока не способны точно следовать сложным инструкциям по использованию вызовов функций, с результатами до 60%, значительно ниже человеческой производительности 97%. Полученные результаты подчеркивают необходимость дальнейших достижений в этой области.

English

Automated software engineering has been greatly empowered by the recent advances in Large Language Models (LLMs) for programming. While current benchmarks have shown that LLMs can perform various software engineering tasks like human developers, the majority of their evaluations are limited to short and self-contained algorithmic tasks. Solving challenging and practical programming tasks requires the capability of utilizing diverse function calls as tools to efficiently implement functionalities like data analysis and web development. In addition, using multiple tools to solve a task needs compositional reasoning by accurately understanding complex instructions. Fulfilling both of these characteristics can pose a great challenge for LLMs. To assess how well LLMs can solve challenging and practical programming tasks, we introduce Bench, a benchmark that challenges LLMs to invoke multiple function calls as tools from 139 libraries and 7 domains for 1,140 fine-grained programming tasks. To evaluate LLMs rigorously, each programming task encompasses 5.6 test cases with an average branch coverage of 99%. In addition, we propose a natural-language-oriented variant of Bench, Benchi, that automatically transforms the original docstrings into short instructions only with essential information. Our extensive evaluation of 60 LLMs shows that LLMs are not yet capable of following complex instructions to use function calls precisely, with scores up to 60%, significantly lower than the human performance of 97%. The results underscore the need for further advancements in this area.