MFTCoder论文被KDD 2024接收，开源v0.4.2版发布

本文主要是介绍MFTCoder论文被KDD 2024接收，开源v0.4.2版发布，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1. MFTCoder 简介

CodeFuse在2023年9月开源了一种多任务微调框架——MFTCoder，它可以实现在多个任务上同时并行地进行微调。通过结合多种损失函数，我们有效地解决了多任务学习中常见的任务间数据量不平衡、难易不一和收敛速度不一致等挑战。大量实验结果显示，相较于单独对单个任务进行微调或者多任务混合为一后进行微调，我们的多任务微调方法表现更优。此外，MFTCoder具备高效训练特征，包括提供高效的数据Tokenization模式，支持PEFT微调和全量微调，能有效提升微调训练速度并降低对资源的需求。MFTCoder是轻量的，简单清晰的，易于二次开发的，持续跟进Cutting-Edge技术的开源微调框架。

目前MFTCoder迭代到v0.4.2, 新增了对QLoRA + Deepspeed ZeRO3/FSDP的支持，可以使用更少的GPU，对更大模型（比如70B, 110B等）进行多任务微调

MFTCoder已适配支持了更多的主流开源LLMs，如Qwen2, Qwen2-moe, Gemma, Starcoder2, Mixtral、Mistral、Deepseek、 Llama、CodeLlama、Qwen、CodeGeeX2、StarCoder、Baichuan2、ChatGLM2/3、GPT-Neox等。

MFTCoder的详细介绍在我们之前的公众号文章中：干货！MFTCoder论文多任务微调技术详解

MFTCoder技术细节的论文已经被 KDD 2024 (ADS) 接收：https://arxiv.org/pdf/2311.02303.pdf

新升级代码也已经开源到GitHub：https://github.com/codefuse-ai/MFTCoder/tree/main/mftcoder_accelerate

2. v0.4.2新特性Hightlights

• 首先，新版本已经适配到transformers v4.40.2，因此也支持了众多新的开源模型, 比如Qwen2，Qwen2-moe，Starcoder2, Gemma等新的主流开源模型;
• 同时，MFTCoder当前适配新模型的成本很低，只需要对transformers进行适当的版本升级，并将对应模型添加到训练支持的池子即可，欢迎广大同学通过PR提交后续新模型的支持；
• 然后，MFTCoder-accelerate框架新增支持了QLoRA + Deepspeed ZeRO3/FSDP，可以使用更少的GPU，对更大模型（比如70B, 110B等）进行多任务微调MFT;
• 最后，我们也同时用新的MFTCoder微调并开源了一个新的代码模型CodeFuse-StarCoder2-15B

3. MFTCoder提升Starcoder2-15b混合专家模型的代码能力实践

CodeFuse-StarCoder2-15B 模型地址：

魔搭：魔搭社区
HuggingFace: https://huggingface.co/codefuse-ai/CodeFuse-StarCoder2-15B

3.1. MFTCoder 多任务微调Starcoder2-15b

借助MFTCoder(v0.4.2)的多任务微调能力，我们可以使用多个代码任务数据集对Starcoder2-15b进行多任务微调（MFT）。在任务选择上，我们精选了4个核心代码任务数据，一共40w条指令问答数据。用基础任务微调对齐过的模型，在各类未训练过的代码任务上也有不错的泛化能力。

MFTCoder相应的关键配置如下：

{"lora_rank": 128,"lora_alpha": 32,"lora_dropout": 0.05,"targeting_modules": "all-linear","learning_rate": "0.0001","weight_decay": "0.01","lr_scheduler_type": "linear"
}

训练过程loss情况如下图所示：

通过多任务微调，CodeFuse-StarCoder2-15B的各方面代码能力均有比较大的提升。

3.2. CodeFuse-StarCoder2-15B模型效果

对Starcoder2-15b进行多代码任务微调后，CodeFuse-StarCoder2-15B在HumanEval-X数据集中五种语言的Pass@1评测结果对比如下（用Greedy解码统一测试）

Model	Python	JavaScript	Java	C++	Go
CodeFuse-StarCoder2-15B	73.2%	67.8%	69.5%	61.0%	56.7%
Starcoder2-15b（base）	46.3%
Starcoder2-15b-instruct	72.6%

可以看出， CodeFuse-StarCoder2-15B比Starcoder2-15b 在HumanEval-python的pass@1提高27%， 达到73.2%，比Starcoder2-15b-instruct高；并且在其它语言代码能力（HumanEval-X）均有明显提高。

联系我们

MFTCoder最新版本v0.4.2已经开源，感兴趣的同学可以用版本tag或者持续跟踪main分支，本文中提到的模型和数据集也在陆续开源中，如果您喜欢我们的工作，欢迎试用、指正错误和贡献代码，可以的话请给我们的项目增加Star以支持我们。

• GitHub项目主页：GitHub - codefuse-ai/MFTCoder: High Accuracy and efficiency multi-task fine-tuning framework for Code LLMs. This work has been accepted by KDD 2024.
• HuggingFace主页：https://huggingface.co/codefuse-ai
• 魔搭社区主页：魔搭社区

这篇关于MFTCoder论文被KDD 2024接收，开源v0.4.2版发布的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---