सट्टा डिकोडिंग ड्राफ्ट मॉडल
सट्टा डिकोडिंग कई आगामी टोकन का अनुमान लगाने के लिए एक छोटे, तेज़ 'ड्राफ्ट' मॉडल का उपयोग करता है जिसे एक बड़ा मॉडल एक पास में सत्यापित करता है।
सिंहावलोकन
It speeds up text generation 2-3x with no change to the output.
गहरा गोता
बड़े भाषा मॉडल एक समय में एक टोकन से पाठ उत्पन्न करते हैं, और प्रत्येक चरण के लिए अरबों मापदंडों के माध्यम से पूर्ण फॉरवर्ड पास की आवश्यकता होती है - धीमी और मेमोरी-बाउंड। सट्टा डिकोडिंग बड़े 'लक्ष्य' मॉडल को सस्ते 'ड्राफ्ट' मॉडल के साथ जोड़कर इस पर हमला करती है। मसौदा मॉडल तेजी से 4-8 उम्मीदवार टोकन का एक हिस्सा प्रस्तावित करता है। फिर बड़ा मॉडल उन सभी को एक समानांतर फॉरवर्ड पास में संसाधित करता है और प्रत्येक की जांच करता है। जो टोकन बड़े मॉडल के उत्पादन से मेल खाते हों, उन्हें स्वीकार किया जाता है; पहले बेमेल को ठीक कर दिया जाता है और बाकी को हटा दिया जाता है। क्योंकि एक साथ कई टोकन सत्यापित करने की लागत लगभग एक टोकन बनाने जितनी ही होती है, स्वीकृत रन लगभग निःशुल्क होते हैं। महत्वपूर्ण रूप से, एक अस्वीकृति-नमूना चरण यह गारंटी देता है कि अंतिम वितरण अकेले बड़े मॉडल को चलाने के समान है - गुणवत्ता हानि के बिना गति।
तकनीकी अंतर्दृष्टि
मुख्य युक्ति एक संशोधित अस्वीकृति-नमूना परीक्षण है। प्रत्येक ड्राफ्ट किए गए टोकन के लिए, लक्ष्य मॉडल की संभावना की तुलना ड्राफ्ट मॉडल से की जाती है। यदि लक्ष्य समान या उच्च संभावना प्रदान करता है, तो टोकन स्वीकार कर लिया जाता है; अन्यथा इसे अनुपात के बराबर संभावना के साथ स्वीकार किया जाता है, और अस्वीकृति पर एक समायोजित टोकन को समायोजित अवशिष्ट वितरण से नमूना लिया जाता है। यह गणित आउटपुट को बड़े मॉडल से सीधे नमूने के बराबर साबित करता है।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
सट्टा डिकोडिंग ड्राफ्ट मॉडल का भविष्य
उम्मीद है कि ड्राफ्ट मॉडल vLLM और TensorRT-LLM जैसे अनुमान सर्वरों में मानक बुनियादी ढांचा बन जाएंगे। स्व-अटकलें वेरिएंट (मेडुसा, ईएजीएलई) हल्के भविष्यवाणी प्रमुखों को जोड़कर अलग ड्राफ्ट मॉडल को पूरी तरह से छोड़ देते हैं, और पेड़-आधारित ड्राफ्टिंग एक साथ कई उम्मीदवारों की निरंतरता की पुष्टि करता है। जैसे-जैसे संदर्भ विंडो बढ़ती है और सेवा लागत हावी होती है, स्मार्ट, मॉडल-मिलान वाले ड्राफ्टर्स और हार्डवेयर-जागरूक सत्यापन स्वीकृति दर और थ्रूपुट को अधिक बढ़ा देंगे।
वास्तविक विश्व कार्यान्वयन
Anthropic, OpenAI, और Google लाखों उपयोगकर्ताओं को सेवा देने वाले चैट सहायकों पर विलंबता और सेवा लागत में कटौती करने के लिए सट्टा डिकोडिंग का उपयोग करते हैं।
vLLM और NVIDIA TensorRT-LLM अंतर्निहित सट्टा डिकोडिंग को शिप करते हैं ताकि सेल्फ-होस्टर लामा या मिस्ट्रल तैनाती को गति दे सकें।
एक 7बी ड्राफ्ट मॉडल को 70बी लक्ष्य (उदाहरण के लिए, लामा-3 परिवार) के साथ जोड़कर एक जीपीयू पर प्रति सेकंड लगभग दोगुना टोकन दिया जा सकता है।
कोड-पूर्ण करने वाले उपकरण बॉयलरप्लेट को प्रस्तावित करने के लिए एक छोटे ड्राफ्ट मॉडल का उपयोग करते हैं जिसे बड़ा मॉडल सत्यापित करता है, सुझावों को संपादक में त्वरित रखता है।
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
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 Draft Models 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
अगली गाइड
कोड मॉडल के लिए सट्टा संपादन
अक्सर पूछे जाने वाले प्रश्नों
What is Speculative Decoding Draft Models?
सट्टा डिकोडिंग कई आगामी टोकन का अनुमान लगाने के लिए एक छोटे, तेज़ 'ड्राफ्ट' मॉडल का उपयोग करता है जिसे एक बड़ा मॉडल एक पास में सत्यापित करता है। यह आउटपुट में कोई बदलाव किए बिना टेक्स्ट जेनरेशन को 2-3 गुना तेज कर देता है।
सट्टा डिकोडिंग में 'ड्राफ्ट' मॉडल की प्राथमिक भूमिका क्या है?
छोटा ड्राफ्ट मॉडल सस्ते में आगामी टोकन का अनुमान लगाता है, जिसे बड़ा लक्ष्य मॉडल एक समानांतर पास में जांचता है।
एक साथ अनेक प्रारूपित टोकन सत्यापित करने से समय की बचत क्यों होती है?
पीढ़ी स्मृति-बद्ध है; एक बैच पास में कई टोकन की जांच करना लगभग एक कदम जितना सस्ता है, इसलिए स्वीकृत रन लगभग मुफ्त हैं।
लक्ष्य मॉडल द्वारा पहले टोकन को अस्वीकार करने के बाद ड्राफ्ट किए गए टोकन का क्या होता है?
पहली असहमति तक स्वीकृति जारी रहती है; उस टोकन को सही कर दिया गया है और बाद के सभी ड्राफ्ट किए गए टोकन को फेंक दिया गया है।
सट्टा डिकोडिंग यह कैसे सुनिश्चित करती है कि आउटपुट गुणवत्ता ख़राब न हो?
एक संशोधित अस्वीकृति-नमूना परीक्षण यह गारंटी देता है कि अंतिम टोकन वितरण सीधे लक्ष्य मॉडल से नमूनाकरण से मेल खाता है।
इनमें से कौन सा 'स्व-अटकलबाजी' दृष्टिकोण है जो एक अलग मसौदा मॉडल से बचता है?
मेडुसा और ईएजीएलई मुख्य मॉडल में हल्के अतिरिक्त भविष्यवाणी प्रमुख जोड़ते हैं ताकि यह अपने भविष्य के टोकन का मसौदा तैयार कर सके।