超越所有开源模型，击败 Claude、Bard，专门用于编程任务的大模型来了

最近一段时间，随着大语言模型（LLM）的不断发布，LLM 排位赛也变得火热起来，研究者们试图在新的 LLM 评测系统中不断刷新自家模型的分数。

在这当中，斯坦福发布的全新大语言模型排行榜 AlpacaEval 比较出圈，它是一种基于 LLM 的全自动评估基准，且更加快速和可靠。很多著名的模型如 GPT-4、ChatGPT 等都在其上刷榜单。

前段时间，来自微软的华人团队发布的 WizardLM（是一个经过微调的 7B LLaMA 模型）在一众模型中获得第四名的好成绩，排在其前面的分别是 GPT-4、Claude 以及 ChatGPT，可见，WizardLM 成绩还是很能打的。

近日，WizardLM 团队又发布了新的 WizardCoder-15B 大模型。至于原因，该研究表示生成代码类的大型语言模型（Code LLM）如 StarCoder，已经在代码相关任务中取得了卓越的性能。然而，大多数现有的模型仅仅是在大量的原始代码数据上进行预训练，而没有进行指令微调。因而该研究提出了 WizardCoder，它通过将 Evol-Instruct（该方法生成具有不同难度级别的指令）方法应用于代码领域，为 Code LLM 提供复杂的指令微调。

在 HumanEval、HumanEval+、MBPP 以及 DS1000 四个代码生成基准测试中，WizardCoder 在很大程度上超过了所有其他开源 Code LLM。此外，WizardCoder 在 HumanEval 和 HumanEval + 上的表现甚至超过了最大的闭源 LLM，如 Anthropic 的 Claude 和谷歌的 Bard。

论文地址：https://arxiv.org/pdf/2306.08568.pdf
代码地址：https://github.com/nlpxucan/WizardLM

在方法上，该研究表示受到 WizardLM 提出的 Evol-Instruct 方法的启发，除此以外，该研究还尝试将代码指令变得更加复杂，以提高代码预训练大模型的微调效果。

在代码生成领域，统一的代码 prompt 模板如下：

本文使用的五种类型如下：

该研究采用以下过程来训练 WizardCoder。最初，他们使用 StarCoder 15B 作为基础，并使用代码指令 – 跟随（code instruction-following）训练集对其进行微调，该训练集通过 Evol-Instruct 进化而来。微调 prompt 格式概述如下：

WizardCoder 性能如何？

与闭源模型的比较。用于代码生成的 SOTA LLM，如 GPT4、Claude 和 Bard，主要是闭源的。然而获得这些模型 API 的访问权限难度很大。该研究采用另一种方法，从 LLM-Humaneval-Benchmarks 中检索 HumanEval 和 HumanEval + 的分数。如下图 1 所示，WizardCoder 位列第三，超过了 Claude-Plus（59.8 vs 53.0）和 Bard（59.8 vs 44.5）。

值得注意的是，与这些模型相比，WizardCoder 模型大小要小得多。此外，WizardCoder 比其他经过指令微调的开源 LLM 表现出更显著的优势。

与开源模型的比较。表 1 在 HumanEval 和 MBPP 基准上对 WizardCoder 与其他开源模型进行了全面的比较。表 1 结果表明，WizardCoder 比所有开源模型都具有显著的性能优势。

总结而言，从图 1 和表 1 的实验结果中，可以得出以下结论：

WizardCoder 的性能优于最大的闭源 LLM，包括 Claude、Bard、PaLM、PaLM-2 和 LaMDA，尽管它要小得多。
WizardCoder 比所有的开源 Code LLM 都要好，包括 StarCoder、CodeGen、CodeGee 以及 CodeT5+。
WizardCoder 显著优于所有具有指令微调的开源 Code LLM，包括 InstructCodeT5+， StarCoder-GPTeacher 和 Instruct-Codegen-16B。

下图为不同模型在 DS-1000 基准上的结果：

超越所有开源模型，击败 Claude、Bard，专门用于编程任务的大模型来了