StarCoder: may the source be with you!

要約

BigCode コミュニティは、コード用大規模言語モデル (コード LLM) の責任ある開発に取り組んでいるオープン サイエンス コラボレーションであり、StarCoder および StarCoderBase を導入しています。これは、8K のコンテキスト長、埋め込み機能、およびマルチによって可能になる高速大バッチ推論を備えた 15.5B パラメータ モデルです。
-クエリの注意。
StarCoderBase は、検査ツールとオプトアウト プロセスを備えた、寛容にライセンスされた GitHub リポジトリの大規模なコレクションである The Stack から取得した 1 兆のトークンでトレーニングされています。
35B Python トークンに基づいて StarCoderBase を微調整し、StarCoder を作成しました。
私たちはこれまでに Code LLM の最も包括的な評価を実行し、StarCoderBase が複数のプログラミング言語をサポートするすべてのオープン Code LLM を上回り、OpenAI code-cushman-001 モデルと同等またはそれを上回るパフォーマンスを示しました。
さらに、StarCoder は、Python で微調整されたすべてのモデルよりも優れたパフォーマンスを発揮し、HumanEval で 40\% pass@1 を達成するように指示することができ、他のプログラミング言語でもそのパフォーマンスを維持します。
私たちは、改良された PII 編集パイプラインや新しい属性追跡ツールなど、安全なオープンアクセス モデルのリリースに向けていくつかの重要な措置を講じ、StarCoder モデルを、より商業的に実行可能なバージョンの Open Responsible AI Model ライセンスの下で一般公開します。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google