Astraios: Эффективная настройка параметров для обучения с инструкциями крупных языковых моделей

Аннотация

Высокая стоимость полной настройки всех параметров (FFT) больших языковых моделей (LLMs) привела к появлению ряда методов эффективной настройки параметров (PEFT). Однако до сих пор неясно, какие методы обеспечивают наилучший баланс между затратами и производительностью для моделей разного масштаба. Мы представляем Astraios — набор из 28 моделей OctoCoder, настроенных на выполнение инструкций, с использованием 7 методов настройки и 4 размеров моделей до 16 миллиардов параметров. В ходе исследований на 5 задачах и 8 различных наборах данных, охватывающих как задачи понимания, так и генерации кода, мы обнаружили, что FFT, как правило, обеспечивает наилучшую производительность на всех масштабах, а эффективность методов PEFT значительно варьируется в зависимости от размера модели. LoRA обычно предлагает наиболее выгодный компромисс между затратами и производительностью. Дальнейшее изучение влияния этих методов на устойчивость моделей и безопасность кода показывает, что более крупные модели склонны демонстрировать сниженную устойчивость и меньшую безопасность. Наконец, мы исследуем взаимосвязь между обновленными параметрами, кросс-энтропийными потерями и производительностью на задачах. Мы обнаружили, что эффективность настройки, наблюдаемая в небольших моделях, хорошо обобщается на более крупные модели, а потери на валидации при настройке на выполнение инструкций могут быть надежным индикатором общей производительности на последующих задачах.

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: Эффективная настройка параметров для обучения с инструкциями крупных языковых моделей

Astraios: Parameter-Efficient Instruction Tuning Code Large Language Models

Аннотация

Support