夕小瑶科技说 原创 高级编程语言Python有两个受众：一是编译和执行程序的机器，二是阅读、理解和编写程序的人类。机器关注程序的语义操作，而人类更强调代码的可读性。Python在语法中融入了许多以人类为中心的设计元素，以“可读性至上”为设计原则，因此Python也成为中最受人类欢迎、追捧的编程语言之一。
近期，编程语言的受众群体扩展到了LLMs，它们在代码生成、分析甚至执行代码等方面都表现出色。LLMs的角色已经从单纯的代码生成器转变为活跃的“开发者”，可以用来辅助编程并完成各种数学计算和文件处理等复杂任务。这种范式转变标志着LLMs也成为编程语言的重要用户群体 。
但是我们前面提到的编程语言的“可读性”对于LLMs来说可能并不重要，甚至会带来额外的计算负担。下图是LLMs和人类程序员如何理解源代码的一个示例。
当从代码中省略某些增强可读性的元素比如一些缩进、换行等符号，但保留其底层语义时，人类理解起来会更加困难，但AI模型可以更高效地处理代码。
因此可以减少不必要的tokens输入 ，从而减少LLMs处理与生成代码时的时间和能源成本。
今天介绍的这篇论文提出了“AI导向语法 ”的概念，专为AI模型设计的语法。核心思想是提炼出保持代码表示简洁（对AI模型来说，使用最少的tokens）的语法规则。
但是，设计并融入AI导向的新语法到AI模型中面临一系列挑战。这些挑战不仅要求AI模型能够理解并遵循这种新语法编写的代码，还需要它能够基于这种语法高效地生成代码，以满足效率和性能目标。同时，作为指导开发过程的人类开发者来说，他们仍然期望使用一种既友好又熟悉的语法。
为了评估AI导向语法的可行性和实用性，作者进行了一项探索性研究。该研究以三个研究问题为核心，每个问题都旨在深入探讨一个关键挑战：
AI导向语法在源代码中能够实现多大程度的tokens缩减？ 本文聚焦于Python语言，研究采用了StarcoderData的Python子集，该数据集基于Stack Overflow的庞大代码库，筛选出超过2000万份来自GitHub开源仓库的代码文件。然后进一步筛选出星级超过100的仓库代码文件，最终得到623,887个代码文件。这些文件按照95:5的比例划分为训练集和验证集，以支持模型的训练与验证。在评估模型性能时利用其他已建立的公共数据集进行评估。
论文标题 ：
论文链接 ：https://arxiv.org/pdf/2404.16333
Q1:AI导向语法在源代码中能够实现多大程度的tokens缩减？ 为了展示面向AI的语法的潜在优势，作者提出并实现了一个面向AI的Python语法，称为Simple Python（SimPy）作为概念验证。SimPy源于Python的原始语法，但充分简化了语法规则。作者还开发了一个工具包，包括一个用于SimPy源代码解析为Python的抽象语法树（AST）的解析器，以及一个实现SimPy和Python代码的无缝翻译的转换器。
语法设计 SimPy的设计优先考虑AI处理效率而非人类可读性。在分词时，SimPy的代码比Python更紧凑，模型处理更快。下图展示了SimPy和Python代码使用相同的抽象语法树进行比较，可以看出SimPy的tokens数量更少 （使用GPT-4的分词器衡量）：
SimPy相比Python语法，主要修改了以下内容：
1. 替换符号为tokens: 在SimPy中，采用了独特的tokens占位符（如“”、“”、“”）来替代Python中的关键词和大部分符号(如“in”、“>”、“>=”)。这些占位符需被分词器识别为独立token或token的一部分，从而新增了78个tokens。对于明确无歧义且已优化为token的单字符符号（如“.”、“:”、“=”），则保持原样。这种替换不仅简化了分词过程，还消除了对周围空格的需求（如将“a in b”转换为“ab”），区分了不同上下文中使用的相同符号以避免潜在冲突（如“”与“”），并将Python中的多字符符号合并为单个token以保持其意义的完整性。
2. 限制编码风格： SimPy极大地简化了Python中的视觉编码风格，它省略了Python中的空格、换行和缩进，转而采用独特的tokens来定义代码结构。在SimPy中，换行符（在Python中用“\n”表示）被替换为专门的token“”，但如果后续行以诸如函数定义的“def”或类定义的“class”等开始，该token则会被省略，从而优化了token的使用。
缩进被两个特定的tokens“”和“”所替代，它们分别位于代码块的开始和结束处。无论代码块包含多少行，都只需要这两个tokens来表示。此外，SimPy去除了非分隔用的空格和行续字符，进一步简化了语法结构，使其更加紧凑和易于被AI模型处理。
3. 简化语法Tokens 针对SimPy中的生产规则，作者深入分析了每个语法tokens的优化潜力，评估了是否可以通过删除、合并其他tokens，或用空格替换来减少tokens的使用。由于空格在当前的tokenizer中被视为tokens的一部分，这种处理方式能够有效地减少tokens的数量。以下表格展示了关键生产规则在语法规范优化前后的变化，以及由此带来的tokens减少量：
▲表格中的语法token以蓝色表示。'N'表示行数，'n'表示重复元素的数量，'?'表示tokens数量是条件性的。 另外，在全局考虑语法时，某些设计决策可能会引入解析歧义。例如，在Python中，无分隔符连接的字符串如'hello' 'world'，在缺少逗号分隔列表元素时（如['1' '2' '3']）会引发混淆。为解决此问题，可采用策略性方法，如在相邻字符串间添加，以消除歧义，尽管会增加tokens数量，但对SimPy整体效率仍有益。
SimPy的无歧义性 验证SimPy语法的无歧义性至关重要，本文通过tree-sitter中的GLR（广义从左至右最右推导解析器）为其生成了解析器，并在测试过程中未检测到任何歧义。
为何这种转换不太可能引入语法歧义？原因在于转换仅针对终端符号进行，这些符号包括关键字和分隔符。对关键字的修改确保了其独特的语义不会与其他符号混淆，而对分隔符的修改也不会影响语法结构的识别，从而保证了语法的清晰性和无歧义性。
SimPy和Python之间的语义等价 SimPy 被设计为Python的简化语法,这意味着用Python编写的程序可以等价且确定地转换为其在SimPy 中的对应版本,反之亦然。作者对此做了详细证明，因篇幅所限，此处不再赘述。
实验设置与分析 工具包开发 作者为SimPy开发了一个全面的工具包，包括一个基于tree-sitter的解析器和一个转换器，用于在SimPy和Python源代码之间实现无缝转换。首先，在tree-sitter的配置文件中定义了SimPy的语法规则，并利用其GLR（广义从左至右最右推导）算法生成了相应的解析器。GLR算法确保了SimPy能够解决所有潜在的语法冲突，从而消除了歧义。生成的解析器能够将SimPy源代码准确地解析为Python的抽象语法树（AST）。接下来，为AST的每个节点制定了详细的转换规则，并实现了转换器。这一步骤确保了SimPy代码与Python代码之间的准确转换。
评估实验 作者将Python数据集在原始语法和SimPy语法下分别表示，并用相同的分词器进行分词。通过转换器，将Python数据集转换为SimPy数据集，并调整了分词器的词汇表以包含SimPy的tokens。实验涵盖了14个来自流行LLMs的分词器，记录了其词汇来源和大小，以全面评估SimPy在不同模型上的性能。结果如下表所示：
SimPy显著减少了tokens数量，降幅在8.6%至34.7%之间，具体取决于所使用的分词器 。GPT-4和GPT-3.5等高效分词器在表示Python源代码时，通过SimPy进一步减少了10.4%。基于代码语料库训练的分词器（如Replit-code和StarCoder）实现了8.6%至13.8%的减少。而基于网络语料库的分词器（如CodeGen和CodeT）也减少了12.6%至13.5%。对于效率较低的CodeBert和GPT-2分词器，SimPy带来了高达34.7%的tokens数量减少。
这些结果表明SimPy在降低源代码表示的tokens数量方面具有巨大潜力，进而减少浮点运算加速推理速度。
综上，可以很好的回答Q1的问题"AI导向语法在源代码中能够实现多大程度的tokens缩减？""
以SimPy为例，面向AI的语法设计显著减少了源代码表示所需的tokens数量，特别是对于像GPT-4这样的模型，其tokens数量减少了10.4%。这种减少在推理过程中直接转化为速度的提升和计算资源的节省，进一步提升了AI模型在处理源代码时的效率和性能。
Q2:AI模型如何理解面向AI的语法？ 训练策略 Tokenizer 优化 SimPy引入了78个新tokens供tokenizer识别，比如原Python语法的"def"关键字被新token "def_stmt>"所替代。鉴于预训练模型和tokenizer的现有关系，全面重训tokenizer以优化tokens分布并不实际。因此，采取扩展tokenizer原有词汇表，纳入新tokens的方法 。
这一变更要求调整嵌入矩阵（词汇表大小乘以嵌入大小）和输出层（隐藏状态大小乘以词汇表大小），以适应词汇表的扩大。同时，每个新token的嵌入向量和输出层权重将被随机初始化，并在模型训练过程中更新。
模型训练 本文对比了两种训练策略以探索AI导向语法的有效性。一是直接在SimPy代码数据集上训练模型（称为SimPy ）；二是先在Python数据集上预训练，再在SimPy代码数据集上微调（称为Python→SimPy ）。同时设立了对照组，即在Python代码数据集上直接训练模型（称为Python ）。
为保持一致性，所有策略和对照组的训练条件均相同，涵盖训练环境、初始模型和超参数设置。此外，SimPy数据集基于Python数据集转换而来，确保无外部数据干扰。对于Python+SimPy策略，评估了不同SimPy数据集使用比例（10%、20%、50%和100%）下的微调效果。
实验设置 模型选用与评价指标 本文采用了社区广泛使用的三个模型，即CodeGen-NL、TinyLlama和Pythia作为实验的初始预训练模型。
使用Pass@𝑘指标评估模型在代码生成任务上的性能，该指标HumanEval上进行计算。HumanEval数据集由OpenAI开发，包含164个编程问题，每个问题都有函数签名、文档字符串和多个测试用例。模型需要根据函数签名和文档字符串生成代码，然后通过执行测试用例来检验代码。
实验结果 对于每个初始模型，得到六个变体：Python 和 SimPy 各一个，以及 Python→SimPy 中包含 10%、20%、50% 和 100% SimPy数据集的四种模型。结果如下表所示：
使用100% SimPy数据训练的模型在准确性上不及Python基准，例如CodeGen (SimPy)的Pass@1和Pass@10分别为2.93%和5.49%，明显低于CodeGen (Python)的4.51%和7.32%。这可能是由于SimPy的表达能力受限，导致模型在预训练阶段无法充分从自然语言数据集中学习。因此，直接使用面向AI的SimPy语法进行训练似乎并非有效方法 。
先在Python数据集上预训练，再在SimPy代码数据集上微调的策略（Python→SimPy ）是可行的。比如使用Python→100%SimPy 训练的CodeGen-NL、TinyLlama 和 Pythia 模型的 Pass@10 分别达到 9.15%、14.02% 和 10.00%，优于仅使用Python预训练的方法。有趣的是,当 Pythia 模型仅使用 100% SimPy 进行训练时，其Pass@1 甚至超过了 Python 基准。这表明学习 SimPy不一定需要顺序训练策略。
通过调整 Python→SimPy 设置中 SimPy 数据集的比例，发现使用 SimPy 进行微调仍然需要大量的数据 。例如，TinyLlama (Python→50% SimPy) 的Pass@1 和 Pass@10 分别为 5.73% 和 11.59%，仍然落后于 TinyLlama (Python) 的成绩。
通过实验，可以很好的回答本节一开始的问题：“AI模型如何理解面向AI的语法？”
通过AI模型先在原始语法上进行预训练然后使用面向AI的语法进行微调的方法，AI模型可以成功地学习面向AI的语法，保持甚至提高其准确性。
Q3:如何让面向AI的语法规则支持实际场景？ 基本使用场景 当使用面向AI的语法编写源代码时，人类理解起来会变得困难，因此并不适合人类查看。面向AI的语法的应用主要限于人类用户无法接触到生成代码的场景。比如在AutoGPT和LangChain等agents中,人类用户只需要关注结果而不用理解底层脚本，如下图左侧图示。
在这种情况下，模型生成的面向AI的代码可以通过以下两种方式执行：1）将其翻译成人类可读的代码，再由标准的执行器执行；2）直接由专为面向AI语法设计的特定执行器执行。而第二种方法通常更为高效、轻量，因为面向AI的代码在结构上往往更为简洁和一致，更易于解析和执行。
扩展的使用场景 尽管AI导向的语法在某些场景下展现出显著优势，但在众多需要人类介入的代码生成场景中，人类可读的代码仍然是不可或缺的。为此，作者提出了DualCode的代码生成推理框架 。
DualCode旨在让用户能够使用以人类为中心的语法与代码进行交互，同时在推理过程中充分利用AI导向语法的效率。DualCode的核心功能在于实现代码在AI导向语法与目标编程语言原始语法之间的双向转换 。
下图展示了DualCode的工作流程，它包含两个“门”：输入转换器和输出转换器。输入转换器将人类为中心的语法编写的代码转换为AI导向语法供模型处理。类似地，输出转换器将AI生成的代码转换回人类可读的形式以供用户理解。这个环境仅针对代码，自然语言等其他输入不受影响。
实验结果 鉴于DualCode转换器可能增加推理延迟，本文测量了Python代码文件转换为SimPy再转回Python的时间，并与于广为人知的Huggingface Tokenizers库的StarCoder分词器处理速度进行对比。将代码文件按tokens计数分为五组：(0, 100)，[100, 500)，[500, 2000)，[2000, 5000)，及[5000, +∞)，这些计数是使用StarCoder确定的。计算了各组的平均处理时间，以评估转换器性能。结果如下表所示：
实验结果表明，DualCode转换器的速度与Huggingface Tokenizers相当。鉴于实际数据集中超过95%的代码文件（来自真实仓库）的tokens都在5000个以内，因此转换器在实际应用中引起的延迟是可接受的，对系统性能的影响较小 。
综上，对于问题“如何让面向AI的语法规则支持实际场景？”的结论如下：
除了无需人类交互的基本场景外，通过整合DualCode框架，面向AI的语法应用可以得到充分扩展。当tokens数量在500以内时，延迟低于1毫秒，几乎可以忽略不计。
结论 本论文首次提出了面向AI的语法概念，旨在解决AI编码器处理以人类为中心语法时的效率问题。通过一项基于三个研究问题的实证研究，验证了这一新颖概念的可行性和潜力。研究过程中，开发了首个面向AI的Python语法，并引入了一个推理框架，使模型能够高效处理编程语言中的AI导向语法和人类中心语法。作为新兴领域，AI导向语法还有许多问题有待进一步探索。
