文章主题:萧箫, 凹非寺, 量子位, 公众号 QbitAI

666AI工具大全,助力做AI时代先行者!

萧箫 发自 凹非寺

量子位 | 公众号 QbitAI

ChatGPT写代码,已经是不少程序员的常规操作了。

ChatGPT生成的代码:准确性与挑战

△“至少提速3~5倍”

但你有没有想过,ChatGPT生成的代码,有不少只是“看起来准确”而已?

来自伊利诺伊大学香槟分校和南京大学的一项最新研究表明:

ChatGPT和GPT-4生成代码的准确率,比之前评估的至少要降低13%

ChatGPT生成的代码:准确性与挑战

许多网友都感到担忧,众多的机器学习论文中,有许多都是基于存在问题或者具有局限性的基准来评估模型的。这些论文为了短暂的 “SOTA” 成绩,采用了各种评估方法,但一旦更换了评估方法,其真实面目就会暴露无遗。这种现象让人不禁对当前的机器学习研究质量感到忧虑。

ChatGPT生成的代码:准确性与挑战

还有网友表示,这也说明大模型生成的代码仍然需要人工监督,“AI写代码的黄金时间还没到呢”。

ChatGPT生成的代码:准确性与挑战

所以,论文提出了一种怎样的新测评方法?

给AI代码考题加大难度

这个新方法名叫EvalPlus,是一个自动化代码评估框架。

具体来说,它会通过改进现有评估数据集的输入多样性问题描述准确性,来将这些评估基准变得更严格

一方面是输入多样性。EvalPlus会先根据标准答案,用ChatGPT生成一些种子输入样例(虽然要测ChatGPT的编程能力,但用它生成种子输入似乎也不矛盾doge)

随后,用EvalPlus改进这些种子输入,将它们改得更难、更复杂、更刁钻。

另一方面是问题描述准确性。EvalPlus会将代码需求描述改得更精确,在约束输入条件的同时,补充自然语言问题描述,以提高对模型输出的精确度要求。

ChatGPT生成的代码:准确性与挑战

这里,论文选择了HUMANEVAL数据集作为示范。

HUMANEVAL是由OpenAI和Anthropic AI联手打造的一个代码数据集,其中包含了164个独具匠心的编程问题,这些问题涵盖了语言理解、算法、数学以及软件面试等多种类型。这个数据集的制定旨在为编程领域提供一种更加人性化的评估方式,帮助程序员们更好地提升自己的技能水平。

EvalPlus能够优化数据集的输入类型与功能描述,从而使编程问题显得更加明确,并且测试输入更具挑战性或难度更高。

以其中的一道求并集编程题为例,要求AI写一段代码,找出两个数据列表中的共同元素,并给这些元素排序。

EvalPlus用它来测测ChatGPT写的代码准确度。

在初步测试阶段,我们通过简单的输入来验证ChatGPT的准确性。然而,当我们采用不同的输入时,发现了ChatGPT版本代码中存在的一个漏洞。这表明,尽管ChatGPT能够提供正确的答案,但其稳定性仍需改进。

ChatGPT生成的代码:准确性与挑战

属实是给AI们加大了考题难度。

ChatGPT生成的代码:准确性与挑战

为了进一步提升评估质量,EvalPlus基于此方法开发了改进版的HUMANEVAL数据集。该数据集在原有基础上增加了输入内容,并针对其中存在问题的编程题目进行了修正,从而提高了评估的准确性和可靠性。

ChatGPT生成的代码:准确性与挑战

那么,在这套“新考题”下,大语言模型们的准确率实际上要打几折?

LLM代码准确率平均降低15%

作者们测试了当前比较受欢迎的10种代码生成AI。

GPT-4、ChatGPT、CODEGEN、VICUNA、SANTACODER、INCODER、GPT-J、GPT-NEO、PolyCoder、StableLM-α。

从表格中来看,经过严格测试后,这群AI的生成准确率都有所下降:

ChatGPT生成的代码:准确性与挑战

在本研究中,我们采用了一种名为“pass@k”的评价方式来衡量模型的准确性。在此方法中,k表示大模型生成的程序数量,而n则代表测试所使用的输入数量。此外,c值则代表正确输入的数量。

ChatGPT生成的代码:准确性与挑战

根据新的这套评估标准,大模型们的准确率平均下降了15%,其中比较广泛研究的CODEGEN-16B更是下降了超过18%

至于ChatGPT和GPT-4生成代码的性能,也下降了至少13%。

然而,一些网友持有不同的观点,他们认为大模型生成的代码效果并不理想,已经成为了一种普遍现象。因此,我们需要深入探讨的问题是:“为何使用大模型编写的代码无法满足实际需求?”

ChatGPT生成的代码:准确性与挑战

作者介绍

共同一作Jiawei Liu,伊利诺伊大学香槟分校二年级博士生,研究兴趣是编程系统和深度学习。

Chunqiu Steven Xia是一位来自伊利诺伊大学香槟分校的二年级博士生,他曾就读于多伦多大学,并主修机器学习和软件工程等领域的交叉学科。

王宇峣(Yuyao Wang),南京大学计算机科学大三学生,研究兴趣是计算机系统的准确性、可编程性和性能。

Lingming Zhang,伊利诺伊大学香槟分校副教授,研究方向是软件工程及其与机器学习、编程语言和形式化方法(Formal Methods)的协同作用。

论文地址:

https://arxiv.org/abs/2305.01210

代码地址:

https://github.com/evalplus/evalplus

— 完 —

量子位 QbitAI · 头条号签约

ChatGPT生成的代码:准确性与挑战

AI时代,拥有个人微信机器人AI助手!AI时代不落人后!

免费ChatGPT问答,办公、写作、生活好得力助手!

搜索微信号AIGC666aigc999或上边扫码,即可拥有个人AI助手!