Преглед
Вместо да предсказва само следващия токен, моделът е обучен да предсказва няколко бъдещи токена наведнъж. Това изостря сигналите за обучение и отключва по-бързи изводи чрез самоспекулативно декодиране.
Multi-Token Prediction Training е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
Стандартните езикови модели се обучават с предсказване на следващ токен: при даден контекст, предсказване на единичния следващ токен. Multi-token prediction (MTP), популяризирано от 2024 Meta документ и прието в DeepSeek-V3, добавя допълнителни олекотени изходни глави, така че моделът едновременно да прогнозира следващия токен плюс 2-ри, 3-ти и 4-ти токени напред от същото скрито състояние. Това принуждава мрежата да планира по-нататък в бъдещето и уплътнява тренировъчния сигнал - всяка позиция сега допринася за множество загуби. Meta отчете особено големи печалби в кодирането и генеративното мислене, като по-големите модели се възползват повече. Най-важното е, че допълнителните глави могат да бъдат изхвърлени след обучение, така че размерът на модела при внедряване не трябва да нараства.
Техническа информация
MTP прикрепя n независими глави за прогнозиране върху споделения ствол на трансформатора; head k предсказва токена на позиция t+k от представянето на позиция t. Загубите се сумират по време на тренировка. При извод спомагателните глави позволяват самоспекулативно декодиране: моделът предлага няколко токена в едно преминаване, след което ги проверява, постигайки до приблизително 3 пъти по-бързо генериране, без да променя изходното разпределение.
Овладяване на обучението за прогнозиране на множество токени
Вместо да предсказва само следващия токен, моделът е обучен да предсказва няколко бъдещи токена наведнъж. Това изостря сигналите за обучение и отключва по-бързи изводи чрез самоспекулативно декодиране. Multi-Token Prediction Training е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб. За да изградите дълбоко разбиране, третирайте Multi-Token Prediction Training като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи Multi-Token Prediction Training, проектират цикли за подкани, извличане и преглед като една интегрирана комуникационна система. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. В същото време халюцинираните факти могат тихо да влизат в отчети, поддържащи потоци или резултати от изследвания. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Той разширява достъпа между езици и стилове на комуникация.
Той разширява достъпа между езици и стилове на комуникация. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
DeepSeek-V3 използва MTP цел по време на предварително обучение за повишаване на ефективността на данните и активиране на спекулативно декодиране
Моделите за генериране на код на Meta, показващи повишаване на точността на HumanEval и MBPP от прогнозиране на множество токени
Самоспекулативно декодиране: съставяне на 3-4 токена на предно преминаване, след което проверка за по-бърз изход, запазващ разпространението
По-бързо автоматично довършване в асистентите за кодиране, където се предлагат множество правдоподобни токени и се проверяват в една стъпка
Модели на изпълнение
Обучение за прогнозиране на множество токени на практика
DeepSeek-V3 използва MTP цел по време на предварително обучение за повишаване на ефективността на данните и активиране на спекулативно декодиране.
DeepSeek-V3 използва MTP цел по време на предварително обучение, за да повиши ефективността на данните и да даде възможност за спекулативно декодиране. Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Обучение за прогнозиране на множество токени на практика
Моделите за генериране на код на Meta, показващи повишаване на точността на HumanEval и MBPP от прогнозиране на множество токени.
Моделите за генериране на код на Meta, показващи повишаване на точността на HumanEval и MBPP от прогнозиране на множество токени Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Обучение за прогнозиране на множество токени на практика
Самоспекулативно декодиране: изготвяне на 3-4 токена на предно преминаване, след което проверка за по-бърз изход, запазващ разпространението.
Самоспекулативно декодиране: изготвяне на 3-4 токена на преминаване напред, след което проверка за по-бърз изход, запазващ разпространението. Екипите обикновено получават по-добри резултати, когато определят праговете на качеството предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Обучение за прогнозиране на множество токени на практика
По-бързо автоматично довършване в асистентите за кодиране, където се предлагат множество правдоподобни токени и се проверяват в една стъпка.
По-бързо автоматично довършване в асистентите за кодиране, където множество правдоподобни токени се предлагат и проверяват в една стъпка Екипите обикновено получават по-добри резултати, когато определят праговете на качеството предварително, поддържат човешка пътека за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Пътна карта за изпълнение
Определете изходен формат, тон и стандарти за качество преди внедряване.
Определете изходен формат, тон и стандарти за качество преди внедряване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Наземни отговори с доверени източници винаги, когато точността има значение.
Наземни отговори с доверени източници винаги, когато точността има значение. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Поддържайте контролна точка за човешки преглед за изходи с високи залози.
Поддържайте контролна точка за човешки преглед за изходи с високи залози. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.