芯耀
1662
在大模型席卷一切、賦能百業(yè)的浪潮里，“碼農(nóng)”也沒能獨(dú)善其身。各種代碼自動(dòng)生成的大模型，似乎描繪了一個(gè)人人都能像資深工程師一樣寫代碼的美好未來。
但在這個(gè)理想成為現(xiàn)實(shí)之前，有一個(gè)不能回避的問題 — 這些自動(dòng)生成的代碼真的有效嗎？大模型也會(huì)犯錯(cuò)，我們肯定不希望把看似正確的錯(cuò)誤結(jié)果交給用戶，所以需要一個(gè)能精確驗(yàn)證模型生成答案的考官。
近期，芯華章提出了一種對大模型生成代碼形式化評估的方法，稱為FormalEval。它能自動(dòng)化檢査生成代碼的質(zhì)量，無需手動(dòng)編寫測試用例。經(jīng)過測試，F(xiàn)ormalEval不僅能夠識別出現(xiàn)有 RTL 基準(zhǔn)數(shù)據(jù)集中潛藏的約50% 的評估錯(cuò)誤，還能通過測試用例增強(qiáng)的方式來修復(fù)這些錯(cuò)誤。
本文共計(jì)2680字，預(yù)計(jì)閱讀時(shí)間7分鐘，希望能夠幫助您更好了解：
- 如何快速驗(yàn)證大模型自動(dòng)生成的代碼？
- 新的方式和傳統(tǒng)方法有什么不一樣？
本文內(nèi)容根據(jù)芯華章研究院入選ISEDA2024論文《FormalEval: a Formal Evaluation Tool for Code Generated by Large Language Models》梳理。感謝ISEDA評選委員會(huì)對芯華章相關(guān)研究的認(rèn)可。
ISEDA2024技術(shù)分享現(xiàn)場
現(xiàn)有驗(yàn)證方法
要么費(fèi)時(shí)費(fèi)力，要么不夠準(zhǔn)確
在開始討論前，有必要先明確這個(gè)驗(yàn)證系統(tǒng)需要具備的兩個(gè)核心屬性：
第一，驗(yàn)證結(jié)果必須是足夠準(zhǔn)確且充分的；
第二，效率也非常重要。
基于這兩點(diǎn)，現(xiàn)有方法又是怎么評價(jià)模型生成結(jié)果的呢？有三種主流方式：
/ 01 / 人類專家評價(jià)
給定問題, 大模型生成代碼, 人類工程師來判斷結(jié)果是否正確;
/ 02 / 基于近似指標(biāo)的自動(dòng)化評價(jià)
給定標(biāo)準(zhǔn)答案, 有基于文本間相似度的(Rouge1), 也有基于文本相似度結(jié)合代碼間結(jié)構(gòu)(抽象語法樹、數(shù)據(jù)依賴圖)相似度的方法(Code-Bleu2);
/ 03 / 基于驗(yàn)證平臺(tái)和測試用例的自動(dòng)化評價(jià)
給定驗(yàn)證平臺(tái), 通過對比模型在各種不同測試用例下的輸出是否等于期望結(jié)果來評價(jià)模型的方法;
顯然, 第一種方法的評價(jià)精度受限于專家自身的能力, 而成本也受限于專家的時(shí)間資源。
第二種方法, 雖然自動(dòng)化程度高, 依賴的資源不多(只需要一份標(biāo)準(zhǔn)答案), 但因?yàn)榻柚氖墙浦笜?biāo)的關(guān)系, 無法保證在指標(biāo)上表現(xiàn)理想的模型，在功能上也能真正符合預(yù)期。從下例可以看出，明明模型生成的代碼給出的
答案和正例是完全相反的，但是code-bleu得分卻接近1(滿分)，這顯然是不合理的。
而第三種方法雖然準(zhǔn)確度最高, 且在滿足資源(平臺(tái)、用例、仿真器、標(biāo)準(zhǔn)答案)的情況下能實(shí)現(xiàn)自動(dòng)化評價(jià), 但是這些前置資源的構(gòu)造本身就需要花費(fèi)大量人力成本(編寫好的測試用例通常和編寫程序一樣困難), 所以該方法也無法實(shí)現(xiàn)真正的大規(guī)模自動(dòng)化驗(yàn)證。我們統(tǒng)計(jì)了四個(gè)廣泛使用的評估數(shù)據(jù)集，發(fā)現(xiàn)每個(gè)問題的平均測試用例量都非常少。這會(huì)導(dǎo)致測試不準(zhǔn)確的現(xiàn)象。
具體來說，當(dāng)前最廣泛被使用的是OpenAI在Codex論文中開源的HumanEval(上表第三行)。OpenAI的(HumanEval3)驗(yàn)證采用了第三種方法, 但僅提供了164個(gè)問題用作模型校驗(yàn), 與之對應(yīng)的是其提供了成百上千萬行的代碼資料供模型學(xué)習(xí)。
事實(shí)上，后續(xù)有學(xué)者發(fā)現(xiàn)(HumanEval+4 上表第四行)由于平均每個(gè)問題僅包含約10個(gè)測試用例，即使只考察其提供的問題，該驗(yàn)證系統(tǒng)也不能確保生成的代碼是正確的：
下圖里模型能順利通過HumanEval里的測試用例(底部)，但由于其實(shí)現(xiàn)邏輯的問題(set是亂序的)，在研究者新給出用例上(頂部)會(huì)校驗(yàn)失敗。
從HumanEval到FormalEval
用形式化驗(yàn)證來替代動(dòng)態(tài)仿真
基于上述方法的局限性, 芯華章提出了 "FormalEval"。
其核心思想是利用形式化的等價(jià)驗(yàn)證方法來替換依賴 {仿真器+測試用例+測試平臺(tái)} 的功能性驗(yàn)證方法。
對比動(dòng)態(tài)仿真驗(yàn)證，形式化驗(yàn)證能通過系統(tǒng)性地覆蓋待校驗(yàn)程序的屬性空間，來確保其符合規(guī)范要求(下圖對比):
FormalEval的執(zhí)行分為兩個(gè)階段。
在第一階段里，結(jié)合“提示工程”和“檢索增強(qiáng)”等推理技術(shù)，我們對用戶的自然語言輸入進(jìn)行轉(zhuǎn)換，然后送入大模型里生成代碼。
在第二階段里，給定一組正確標(biāo)記的和模型預(yù)測的代碼對，系統(tǒng)會(huì)從語法檢查開始評估。如果檢查通過，這對代碼將被發(fā)送到功能檢查器和質(zhì)量檢查器。
如下圖右側(cè)所示，功能檢查器這個(gè)核心模塊，我們采用芯華章自研的 GalaxEC-SEC 工具來替換傳統(tǒng)的仿真工具，工具會(huì)給出一個(gè) {satisfied, violated} 的二值輸出作為驗(yàn)證結(jié)果，簡單明了。
來，上FormalEval實(shí)測結(jié)果
我們挑選了一個(gè)基于電路設(shè)計(jì)的數(shù)據(jù)集(RTLLM5)來驗(yàn)證FormalEval，該數(shù)據(jù)集里包含了難度不一的28個(gè)設(shè)計(jì)及對應(yīng)的仿真測試平臺(tái)。我們分別要求GPT-4 和 GPT-3.5針對每個(gè)設(shè)計(jì)規(guī)范生成5個(gè)候選答案，再提交給仿真測試平臺(tái)和FormalEval來檢驗(yàn)。
匯總檢驗(yàn)結(jié)果會(huì)得到如下表格，可以看到雖然語法校驗(yàn)?zāi)芘挪榈粢徊糠值腻e(cuò)誤，但依然存在很多通過了語法校驗(yàn)但功能性檢查失敗的生成代碼。
單獨(dú)對比功能性檢查的結(jié)果，可以看到FormalEval對GPT4的精度打分只有0.32，而原仿真測試則給出了0.63的高分。這是因?yàn)樵抡鏈y試不能有效識別大量的錯(cuò)誤結(jié)果。那這個(gè)比例有多高呢？
通過逐個(gè)分析FormalEval給出的錯(cuò)例，我們可以確認(rèn)原仿真測試工具給出了超出真實(shí)案例100%的假陽性評分，這是非常具有誤導(dǎo)性和危險(xiǎn)的。
同時(shí)，因?yàn)镕ormalEval無需人工編寫測試用例，我們可以方便地翻倍原測試數(shù)據(jù)，以確保模型在不同測試數(shù)據(jù)集上的一致性表現(xiàn)。
示例：
Prompt：
The concatenation of signal and should have only 1 bit high.
LLM：
($onehot({rbF,rbE}))
結(jié)果：
當(dāng)然， 等價(jià)性校驗(yàn)除了在評估模型時(shí)至關(guān)重要，在提示技術(shù)選擇、數(shù)據(jù)自標(biāo)注、模型性能提升、線上推斷時(shí)也都有廣泛的使用場景。
而且，除了等價(jià)性校驗(yàn)，形式化方法學(xué)里的另一大分支模型檢測技術(shù)也能夠被應(yīng)用在大模型產(chǎn)品里。
以上這些方面，芯華章的工作也正在進(jìn)行中。
總結(jié)
近年來大模型徹底顛覆了學(xué)界里AI的研究方向，基于大模型的各種應(yīng)用也如雨后春筍般涌現(xiàn)，但要真正形成成熟的產(chǎn)品，大模型的幻覺問題和輸出不可控問題等都是不得不解決的挑戰(zhàn)。
下載ECAD模型
