编码大模型系列：Meta创新的“代码编译优化”的LLM 原创 精华

大型语言模型 (LLM) 已在各种软件工程和编码任务中展现出卓越的能力。然而，它们在代码和编译器优化领域的应用仍未得到充分探索。训练LLM需要大量资源，需要大量的 GPU时间和大量的数据收集。Meta语言模型编译器 (LLM Compiler)，这是一套专为代码优化任务设计的强大、公开可用的预训练模型。

LLM Compiler建立在Code Llama的基础上，增强了对编译器中间表示 (IR)、汇编语言和优化技术的理解。该模型已在546B的LVM-IR和汇编代码的庞大语料库上进行了训练，并经过了指令微调。

LLM Compiler是根据定制的商业许可发布的，允许广泛重用。除了7B和 13B的规模，还有该模型的微调版本，展示了其在优化代码大小和从 x86_64和ARM汇编反编译回LLVM-IR的增强功能。

1.Code Llama

2024年1月29日发布代码Llama 70B是一个可以使用文本提示生成代码的大型语言模型。Code Llama是最先进的代码任务公开可用LLMs，可以使得当前开发人员的工作流程更快、更高效，并降低学习编码的门槛。Code Llama可以被用来作业以及教学。

Code Llama是Llama 2的代码专用版本，它是通过在特定的代码数据集进一步训练Llama 2而得到。它可以从代码和自然语言提示生成代码和关于代码的自然语言，例如，“写一个斐波那契数列的函数”。它还可用于代码的补全和调试，支持当今使用的许多最流行的语言，包括Python、C++、Java、PHP、Typescript （Javascript）、C#和Bash。

Code Llama提供多达100,000 个上下文Token。所有的模型都基于16,000个Token序列进行训练，在多达100,000个Token输入中显示出明显的改进。

Meta还微调Code Llama的另外两个变体：Code Llama-Python和Code Llama-Instruct。Code Llama-Python是Code Llama的专用语言变体，在 Python代码的100B的Token上进一步微调。Meta选择Python的原因是Python和PyTorch在AI社区中发挥着重要作用。

上图为Code Llama的家族谱系

2.LLM Compiler

刚刚，Meta在编译器优化方面又迈出了一大步，它推出了一套突破性的工具，基于LLM的编译器能够处理编译和反编译任务，在编译器技术领域树立了新的标杆。

编译器的中间表示（Intermediate Representation，IR）是编译过程中的一种抽象表示形式，位于源代码和目标代码之间。它的存在主要是为了帮助编译器在多个阶段进行优化和转换，从而生成高效的目标代码。

上图为LLM Compiler的训练过程，分两个阶段对546B的数据集进行训练，这些数据集以编译器为中心。在第一阶段，模型主要在未标记的编译器IR和汇编代码上进行训练。第二阶段对模型进行指令微调，以预测优化的输出和效果。进而生成7B和13B的LLM Compiler。

不同阶段使用的训练数据集，可以看出在编译优化方面还是加入不少的训练数据。尤其是第三阶段和第四阶段中，和代码相关的自然语言成为主力。

之后在164B个下游标记和反汇编任务数据集上进一步微调形成新的LLM Compiler FTD。在四个训练阶段中，每阶段都会保留先前15%的任务数据。

3.核心要点：如何学习编译优化

既然要优化编译，那么就需要想解锁下LLVM。LLVM是一套编译器基础设施项目，以C++写成，包含一系列模块化的编译器组件和工具链，用来开发编译器前端和后端。它是为了任意一种编程语言而写成的程序，利用虚拟技术完成编译时期、链接时期、执行时期以及“闲置时期”的优化任务。

它最早以C/C++为实现对象，而目前它已支持包括ActionScript、Ada、D语言、Fortran、GLSL、Haskell、Java字节码、Objective-C、Swift、Python、Ruby、Crystal、Rust、Scala以及C#等语言。

LLVM pass框架是LLVM系统的一个很重要的部分。LLVM的优化和转换工作就是由多个pass来一起完成的。类似流水线操作一样，每个pass完成特定的优化工作。

上面就是所有的pass（优化算子），各自身怀绝技！

总的来说，所有的pass大致可以分为两类：

• 分析(analysis)和转换分析类的pass主要以提供信息为主
• 转换类(transform)的pass主要优化中间代码

常用的代码优化方法（不同的pass）：

• 删除公共子表达式：如果表达式x op y先前已被计算过，并且从先前的计算到现在，x op y中的变量值没有改变，则x op y的这次出现就称为公共子表达式（common subexpression）
• 删除无用代码无用代码(Dead-code)：其计算结果永远不会被使用的语句
• 常量合并：如果在编译时刻推导出一个表达式的值是常量，就可以使用该常量来替代这个表达式。
• 代码移动：这个转换的结果是那些不管循环多少次都得到相同结果的表达式（即循环不变计算，loop-invariant computation），在进入循环之前就对它们进行求值。
• 强度削弱：用较快的操作代替较慢的操作，如用加代替乘 。（例：2*x ⇒ x+x）
• 删除归纳变量：对于一个变量x ，如果存在一个正的或负的常数c使得每次x被赋值时它的值总增加c ，那么x就称为归纳变量(Induction Variable)。在循环中，若有一组归纳变量的值的变化不变，可以将这组变量保留一个

聪明的读者一定反应过来了，感情这模型是在学习如何针对代码选择最优的pass list（优化算子组合）然后进行优化。对了！

Meta为了让LLM Compiler了解编译器优化的工作原理，它使用编译器模拟办法。这个办法将未优化的代码和随机选择的pass lists（优化算子组合，黄色部分）一起丢给opt，进而生成优化代码（IR 或汇编，绿色部分）。最后黄色部分和绿色部分一起作为训练集喂给LLM。

上图中的opt是LLVM工具链中的一个工具，用于分析和转换LLVM源文件中的中间表示（IR）。这个工具通常用于应用各种优化和转换操作，例如执行优化传递、插入优化插件等。

>opt input .bc -o output .bc -p ’module ( default <Oz >) ,module ( iroutliner )’

>clang output .bc -o output .o

>size output .o

上图展示了训练1和推理2期间的模型输入（提示）和输出（标签）的过程。为了生成训练提示的标签，未优化的代码和多个随机pass组合进行编译，然后针对输出二进制最小的pass组合进行最小化，之后再使用 PassListEval检查其正确性。最终被选择的pass list以及其相应的优化IR在训练期间用作标签。期间最经常被选择的100个pass组合将会在所有的应用中广播。

对于部署，Meta选择优化过的传递列表，以确保优化的代码是正确的。为了保证正确性，PassListEval很是关键，下图展示了这个过程：

那么如何进行反编译的微调呢，其实也很简单，通过训练模型将给定的代码样本反汇编为相应的IR来训练模型，以了解汇编（ASM，机器指令，黄色）和IR（优化过后的绿色部分）之间的关系。用于标记此训练任务的IR是利用优化过的IR。如下图所示：

这样LLM编译器经过微调，可在特定任务中表现出色，例如将编译后的代码反汇编回其中间表示 （LLVM-IR）。这对于理解遗留代码或反向优化特别有益，使LLM编译器成为维护和升级现有软件系统的宝贵工具。

4.效果如何

若要比较效果的话，肯定和优化命令-Oz作为基准来比较，从图中可以看出，效果还是挺不错的。虽然LLM Compiler在编译器优化任务上表现良好，并且相比先前的工作，对编译器表示和汇编代码的理解有所改进，但仍存在一些局限性。主要限制是输入的有限序列长度（上下文窗口）。

LLM 编译器支持 16k tokens的上下文窗口，但程序代码往往超过这个长度。例如，67%的MiBench基准中显示超过了这个上下文窗口。为了缓解这个问题，研究人员拆分了内容，然而仍有18%还是过长，无法作为输入。这样也是是后续的一个研究热点。

本文转载自 ​​鲁班模锤​​，作者： 庞德公