অনুমানমূলক ডিকোডিং
অনুমানমূলক ডিকোডিং বৃহৎ ভাষার মডেলগুলিকে একটি ছোট, দ্রুত 'ড্রাফ্ট' মডেল ব্যবহার করে সামনের বেশ কয়েকটি টোকেন অনুমান করার মাধ্যমে দ্রুত পাঠ্য তৈরি করে, তারপরে বড় মডেলটি একবারে সেগুলি যাচাই করে।
ওভারভিউ
It speeds up inference 2-3x with identical output quality.
গভীর ডুব
সাধারণত একটি LLM একবারে একটি টোকেন টেক্সট তৈরি করে: প্রতিটি টোকেনের জন্য দৈত্য মডেলের মধ্য দিয়ে একটি সম্পূর্ণ ফরোয়ার্ড পাস প্রয়োজন, এবং বর্তমানটি শেষ না হওয়া পর্যন্ত আপনি পরবর্তীটি শুরু করতে পারবেন না। এটি ধীর কারণ এটি মেমরি-বাউন্ড, কম্পিউট-বাউন্ড নয় — GPU তার বেশিরভাগ সময় ওজন লোড করতে ব্যয় করে, গণিত না করে। অনুমানমূলক ডিকোডিং বাধা ভেঙে দেয়। একটি ছোট, সস্তা খসড়া মডেল পাঁচটি প্রার্থী টোকেনের একটি অংশ প্রস্তাব করে। বড় 'টার্গেট' মডেল তারপর একটি একক সমান্তরাল ফরোয়ার্ড পাসে সমস্ত পাঁচটি প্রক্রিয়া করে এবং সেগুলি পরীক্ষা করে। টোকেন যা এটি উত্পাদিত হবে তার সাথে মেলে; প্রথম মতবিরোধে এটি সংশোধন করে এবং বাকিটিকে বাতিল করে। কারণ অনেক টোকেন যাচাই করার জন্য একটি উৎপন্ন করার মতোই খরচ হয়, গৃহীত অনুমানগুলি প্রায় বিনামূল্যে।
প্রযুক্তিগত অন্তর্দৃষ্টি
চতুর অংশ হল একটি প্রত্যাখ্যান-নমুনা নেওয়ার নিয়ম যা গ্যারান্টি দেয় যে আউটপুট বন্টন গাণিতিকভাবে একা লক্ষ্য মডেল চালানোর সাথে অভিন্ন — তাই গুণমান আনুমানিক নয়, এটি সঠিক। গ্রহণযোগ্যতার হার গতি বাড়ায়: ছোট মডেলটি বড়টির ভবিষ্যদ্বাণী যত ভাল করে, যাচাইকরণের ধাপে তত বেশি টোকেন থাকবে। মেডুসার মতো ভেরিয়েন্টগুলি টার্গেট মডেলে অতিরিক্ত ভবিষ্যদ্বাণীর শিরোনাম যোগ করে এবং বৈশিষ্ট্যের জায়গায় EAGLE খসড়া তৈরি করে, একটি পৃথক খসড়া মডেলের প্রয়োজনীয়তা দূর করে।
কৌশলগত প্রভাব
খরচ ও বাজেট
আর্কিটেকচারের সিদ্ধান্তগুলি বছরের পর বছর ধরে কর্মক্ষমতা এবং অপারেটিং খরচ চালায়।
সুস্পষ্ট সিদ্ধান্ত
কারিগরি শিক্ষা দলগুলোকে সঠিক স্ট্যাক বেছে নিতে সাহায্য করে, শুধু নতুনটি নয়।
মান নিয়ন্ত্রণ
ভালো ইঞ্জিনিয়ারিং পছন্দ উৎপাদনে নির্ভরযোগ্যতার ঘটনা কমিয়ে দেয়।
অনুমানমূলক ডিকোডিং এর ভবিষ্যত
VLLM এবং TensorRT-LLM-এর মতো স্ট্যাক পরিবেশন করার ক্ষেত্রে অনুমানমূলক ডিকোডিং ডিফল্ট হয়ে উঠছে। সেল্ফ-ড্রাফটিং পদ্ধতির (মেডুসা, ঈগল, লুকহেড) আধিপত্য আশা করুন কারণ তারা একটি দ্বিতীয় মডেল বজায় রাখা এড়ায়, এবং গাছ-ভিত্তিক অনুমান যা প্রতি ধাপে একাধিক প্রার্থীর শাখা যাচাই করে। মডেলগুলি বাড়ার সাথে সাথে মেমরি-বাউন্ড বটলনেক আরও খারাপ হয়, জল্পনাকে আরও বেশি মূল্যবান করে তোলে এবং হার্ডওয়্যার-সচেতন ড্রাফটাররা বাস্তব-বিশ্বের গতিকে আরও বেশি ঠেলে দেবে।
বাস্তব-বিশ্ব বাস্তবায়ন
একটি 7B খসড়া মডেল একটি 70B চ্যাট মডেলের জন্য টোকেন প্রস্তাব করছে যাতে একজন প্রোডাকশন অ্যাসিস্ট্যান্টের প্রতিক্রিয়া লেটেন্সি কাটতে পারে
মেডুসার মাথা একটি এলএলএম-এর উপর ঠেলে দেওয়া হয়েছে যাতে এটি একটি পৃথক খসড়া মডেল ছাড়াই একবারে বেশ কয়েকটি ভবিষ্যতের টোকেনের পূর্বাভাস দেয়
vLLM একটি সার্ভিং ক্লাস্টারে টোকেন-প্রতি-সেকেন্ড থ্রুপুট বাড়াতে অনুমানমূলক ডিকোডিং সক্ষম করে
গ্রহণযোগ্যতার হার এবং সামগ্রিক গতি বাড়ানোর জন্য মডেলের লুকানো-বৈশিষ্ট্যের জায়গায় EAGLE খসড়া তৈরি করা
ঝুঁকি এবং প্রহরী
একটি বেঞ্চমার্ক অপ্টিমাইজ করা বৃহত্তর সিস্টেম দুর্বলতা আড়াল করতে পারে।
অবকাঠামো এবং রক্ষণাবেক্ষণের খরচ প্রায়ই অবমূল্যায়ন করা হয়।
সিস্টেমগুলি আরও জটিল হওয়ার সাথে সাথে সুরক্ষা এবং পর্যবেক্ষণযোগ্যতার ফাঁক বাড়তে পারে।
বাস্তবায়ন রোডম্যাপ
বাস্তবায়নের আগে বিলম্ব, গুণমান এবং খরচের লক্ষ্য নির্ধারণ করুন।
বাস্তবসম্মত লোড এবং ডেটা অবস্থার অধীনে বেঞ্চমার্ক।
ত্রুটি, প্রবাহ, এবং ব্যবহারকারীর প্রভাবের জন্য যন্ত্র পর্যবেক্ষণ।
স্কেল করার আগে রোলব্যাক এবং ঘটনার প্রতিক্রিয়া পাথ প্রস্তুত করুন।
অন্বেষণ চালিয়ে যান
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Speculative Decoding quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
EAGLE এর সাথে অনুমানমূলক ডিকোডিং
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is Speculative Decoding?
অনুমানমূলক ডিকোডিং বৃহৎ ভাষার মডেলগুলিকে একটি ছোট, দ্রুত 'ড্রাফ্ট' মডেল ব্যবহার করে সামনের বেশ কয়েকটি টোকেন অনুমান করার মাধ্যমে দ্রুত পাঠ্য তৈরি করে, তারপরে বড় মডেলটি একবারে সেগুলি যাচাই করে। এটি অভিন্ন আউটপুট মানের সাথে অনুমান 2-3x গতি বাড়ায়।
অনুমানমূলক ডিকোডিং এর মূল ধারণা কি?
একটি দ্রুত খসড়া মডেল একাধিক টোকেন প্রস্তাব করে, এবং বড় লক্ষ্য মডেল একটি একক সমান্তরাল পাসে সেগুলিকে পরীক্ষা করে।
কেন স্বাভাবিক এক-টোকেন-এ-টাইম-এলএলএম জেনারেশন ধীর হয়?
প্রতিটি ধাপ প্রধানত ভারী গণনা করার পরিবর্তে মেমরি থেকে বিশাল ওজনের ম্যাট্রিক্স লোড করে, তাই GPU কম ব্যবহার করা হয়।
প্রথম টোকেনে কী ঘটবে যেখানে খসড়া এবং লক্ষ্য মডেলগুলি একমত নয়?
অসম্মতি পর্যন্ত টোকেন গ্রহণ করা হয়; অমিল থেকে তারা প্রত্যাখ্যাত হয় এবং লক্ষ্য মডেলের সঠিক টোকেন রাখা হয়।
কিভাবে অনুমানমূলক ডিকোডিং আউটপুট মান প্রভাবিত করে?
একটি প্রত্যাখ্যান-স্যাম্পলিং নিয়ম গ্যারান্টি দেয় যে চূড়ান্ত বিতরণ টার্গেট মডেলের সাথে ঠিক মেলে, তাই গুণমান অপরিবর্তিত।
অনুমানমূলক ডিকোডিং থেকে কোনটি সরাসরি গতি নির্ধারণ করে?
প্রতি যাচাইকরণ ধাপে লক্ষ্য মডেল যত বেশি খসড়া টোকেন গ্রহণ করবে, গতি তত বেশি হবে।