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
言归正传，其实回答上面这个问题很简单，论文在开篇便给出了一个示例：
https://leetcode.com/problems/h-index/
不出所料，果然是LeetCode里一个典型的例题。
简单复述一下：给定一位研究者论文被引用次数的数组（被引用次数是非负整数），算出研究者的h指数。h指数代表总共有h篇论文分别被引用了至少 h 次。
显然，从题目中可以看出，这和现在常见的让GPT-3生成代码所用到的描述不同，既不是伪代码，也不「生成一个按钮」这种直接的命令。
对于这种描述类问题，除了要考察模型生成正确代码的能力，还考验了模型对自然语言的理解。
啥？还要考阅读理解？
还好这个问题很简单，班门弄斧一下。
def h_index(nums): nums = sorted(nums, reverse=True) for i, item in enumerate(nums): if item 既能训练又能测试的APPS数据集
为了测试模型对于给定问题的理解，以及写出相应代码的能力，论文引入了一个「自动化编程进度标准」（APPS）数据集。
APPS由10000个Python编程问题组成，分为三个类别（入门，面试，竞赛），并用面试中常见的简单的英语进行描述。其中5000个用作训练，剩下的5000个作为测试。
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。
有点儿厉害，GPT-2 1.5B模型还可以写函数调用。
不过要说喜闻乐见还得是这个，不管用不用，import一定要先给满上。
这个模型虽然没说，但是从顺序上猜测可能也是GPT-2的。不得不说，这一堆导入看着真是亲切。
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
GPT-3经常会出现的语法错误，就比如说这个例子中的if-else。
作者说，虽然这个代码「reasonable」（似曾相识的形容），但是if-else的格式错误造成里语法错误。你跟老师讲我这个代码是合理的只是格式错了，看他打不打你。
相比之下，参数比GPT-3少了三个数量级的GPT-2 0.1B的语法错误反而更少，而GPT-Neo 2.7B则几乎没有语法错误。
虽然没有任何代码示例，但是GPT-Neo表现最好
不知道什么原因，论文中并没有明确的GPT-Neo生成的代码。
作者表示，模型的确可以生成一些能通过测试的代码，这也就意味着这些生成的程序没有语法错误，并且可以输出正确答案。对于入门级问题，GPT-Neo获得了最好的成绩，通过了大约15％的测试。
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
https://github.com/hendrycks/apps
https://www.neowin.net/news/ai-wont-be-taking-up-software-engineering-jobs-any-time-soon-but-its-getting-there/
ChatGPT会让程序员失业吗（让程序员失业的GPT3又要来刷面试题了这种题小编也会）由ChatGPT中文网发布，转载请联系本站书面授权。
特别声明：本站注明稿件来源为其他媒体的文/图等稿件均为转载稿，本站转载出于非商业性的教育和科研之目的，并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题，请作者在两周内速来电或来函联系。
暂无评论内容