来源：neowin
编辑：好困
【新智元导读】没想到吧，在席卷了无数头条之后，GPT-3又来了。这次为我们带来的表演竟然是做程序员的面试题，看来又有一波程序员要被「失业」了。小编这两天看到一篇报道：「AI暂时还不会抢走程序员的工作，但是正在了」。
显然，这篇论文十分有吸引力，志同道合的朋友很快便做了十分有趣的评议。
对于这种看起来就很「标题党」的文章，还是很有必要点进来批判性地学习一下。
看了几百字的众所周知的背景介绍之后，发现原来是关于一篇论文的介绍：「用APPS衡量编码挑战能力」。
这满屏的UC Berkeley作为学渣看着还是挺震撼的。
报道中提到，论文将这些语言模型放在一个正在接受编程面试的人的立场上，从而测试模型在编写代码方面的能力。
难道这是要让AI刷题？AI会不会不知道，反正小编会import numpy as npy
APPS数据集与现有数据集的比较
为了验证模型给出的答案，数据集包含131836个测试用例和232444个人类编写的解决方案。
题目的难度分为：
入门级。具有1-2年经验就可以解决这些问题，且无需复杂的算法。例如计算子字符串的出现次数，或查找字符串是否是回文。面试级。这类问题通常出现在有一定难度的技术面试中，其中涉及数据结构等。竞赛级。这类问题通常出现在编程竞赛中，例如USACO，IOI和ACM。如果模型在APPS上表现良好，这表明它具有灵活使用数据结构和编程技术的能力，以及正确理解各种任务说明，遵循并理解人的意图的能力。
GPT-2完胜GPT-3论文中使用了GPT-2，GPT-3和GPT-Neo模型。因为GPT模型是自回归的，在文本生成方面十分适用。
由于原始的GPT-2模型只接受过自然语言的训练，因此论文使用GitHub的高星代码对其进行了预训练。
GPT-Neo具有类似于GPT-3的体系结构，但不同的是，GPT-Neo的权重是公开的，因此论文在APPS的训练集上对其进行了微调。
在预训练和微调中，论文使用了AdamW优化器，batch大小为256，权重衰减（weight decay）为0.05，并进行了10个epoch。在训练大型模型时，使用DeepSpeed及其ZeRO优化器来减少内存的消耗。
GPT-2表现不俗
https://codeforces.com/problemset/problem/1139/A
在这个问题上GPT-2 1.5B模型写的代码通过了全部测试用例，可喜可贺。
https://codeforces.com/problemset/problem/1288/C
作者表示，这个GPT-2 1.5B的代码，虽然没有通过任何一个测试，但是乍一看还是很合理的。
既然GPT做不出来，而且小编估计很少有人看到这里，不如再来搞一下。首先，我们要import npy，然后就可以开始码代码了。
def two_arrays(n, m): list = [1] * (n 1) list[0] = 0 for i in range(2, m*2 1): for j in range(1, n 1): list[j] = (list[j] list[j-1]) % 1000000007 result = 0 for i in list: result = (result i) % 1000000007 return result
说了这么多GPT-2，那GPT-3又如何呢？
GPT-3非常拉垮GPT-3仅解决了5000个问题中的3个：两个入门级问题和一个面试级问题。
其中，两个入门级的问题是诸如实现指定的代数表达式这类的简单任务。
而面试级问题明显需要更深层次的思考和推理，至于为什么GPT-3能完成，作者推断是模型在预训练过程中记住答案，或者是根据问题内容进行的猜测，并且还歪打正着了。
https://codeforces.com/problemset/problem/959/A
这是GPT-3解决的唯一一个作者归类为面试级的问题
测试的准确性方面，作者发现从GPT-2 1.5B到GPT-Neo 2.7B的性能改进要比从GPT-2 0.1B到GPT-2 1.5B的性能改进更大。由于GPT-2和GPT-Neo都在相同的GitHub代码上进行了预训练，这种现象可能意味着随着模型大小的增加，生成的代码会有更大幅度的改进，也可能是GPT-Neo具有更好的体系结构。
语法错误方面，比如符号的缺失，错误的缩进等。GPT-3在入门级问题上给出的答案大约有59％的错误，但相似架构的GPT-Neo在语法错误方面只有3％。
左图纵坐标为测试的正确率；右图纵坐标是语法错误的百分比；两者横坐标都是问题的难度，从左到右依次提高
与先前的工作侧重于从伪代码到代码的生成不同，本文的基准测试可以在给定的自然语言描述下，来衡量语言模型生成的python代码的质量。
通过利用具有质量保证，并且包括不同难度级别的数十万个测试用例和真实解决方案，本文创建了一个全面而严格的测试平台来评估模型。
本文用APPS评估了最新的生成模型，发现整体性能很低。但是，随着模型规模的增大，以及微调的引入，语法错误率便会呈指数趋势下降，比如GPT-Neo模型。
所以说，「微调」是个好东西。
网友表示：就这？说到刷题，小编对此一无所知，
对此，网友的评价十分犀利，不仅质疑题目正确率完全无法证明模型学会了编程，更是认为模型除了虚假的关联性以外，什么都没学会。
虽然有一些跑得快的一天天的总想让程序员「失业」，但现在的GPT模型的确还无法担如此重任。可能还不如还是去写些文字，做做地下城的DM。
后记：文章拖了两天没发，结果突然发现微软似乎真的要引入GPT-3来实现自然语言编程了？
参考资料：
https://arxiv.org/pdf/2105.09938.pdf
相关文章
关于作者
猜你喜欢
