StarCoder: да пребудет с вами исходный код!

StarCoder: may the source be with you!

May 9, 2023

Авторы: 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

Аннотация

Сообщество BigCode, занимающееся открытой научной коллаборацией в области ответственной разработки крупных языковых моделей для кода (Code LLMs), представляет StarCoder и StarCoderBase: модели с 15,5 миллиардами параметров, длиной контекста в 8 тысяч токенов, возможностью заполнения пропусков и быстрым выводом в условиях больших пакетов данных благодаря механизму multi-query attention. StarCoderBase обучена на 1 триллионе токенов, извлечённых из The Stack — обширной коллекции репозиториев GitHub с разрешительными лицензиями, инструментами для проверки и процедурой отказа. Мы дообучили StarCoderBase на 35 миллиардах токенов Python, что привело к созданию StarCoder. Мы провели наиболее всестороннюю на сегодняшний день оценку Code LLMs и показали, что StarCoderBase превосходит все открытые Code LLM, поддерживающие несколько языков программирования, и соответствует или превосходит модель OpenAI code-cushman-001. Более того, StarCoder превосходит все модели, дообученные на Python, способна достигать 40\% pass@1 на HumanEval, сохраняя при этом производительность на других языках программирования. Мы предприняли несколько важных шагов для безопасного открытого доступа к модели, включая улучшенный конвейер удаления персональных данных (PII) и новый инструмент для отслеживания атрибуции, и сделали модели StarCoder общедоступными под более коммерчески жизнеспособной версией лицензии Open Responsible AI Model.

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.