Formazione sulla previsione multi-token
Invece di prevedere solo il token successivo, il modello è addestrato a prevedere diversi token futuri contemporaneamente.
Panoramica
Ciò affina i segnali di apprendimento e sblocca un’inferenza più rapida attraverso la decodifica auto-speculativa.
Immersione profonda
I modelli linguistici standard vengono addestrati con la previsione del token successivo: dato un contesto, predire il singolo token successivo. La previsione multi-token (MTP), resa popolare da un documento Meta del 2024 e adottata in DeepSeek-V3, aggiunge testine di output extra leggere in modo che il modello preveda simultaneamente il token successivo più il 2°, 3° e 4° token successivi dallo stesso stato nascosto. Ciò costringe la rete a pianificare ulteriormente nel futuro e ad intensificare il segnale di addestramento: ogni posizione ora contribuisce a più termini di perdita. Meta ha riportato guadagni particolarmente ampi nella codifica e nel ragionamento generativo, con i modelli più grandi che ne hanno beneficiato maggiormente. Fondamentalmente, le teste extra possono essere scartate dopo l'addestramento, quindi le dimensioni del modello al momento della distribuzione non devono aumentare.
Approfondimento tecnico
MTP collega n teste di previsione indipendenti sopra il tronco del trasformatore condiviso; head k predice il token nella posizione t+k dalla rappresentazione nella posizione t. Le perdite vengono sommate durante l'allenamento. All'inferenza, le teste ausiliarie consentono la decodifica auto-speculativa: il modello propone diversi token in un unico passaggio, quindi li verifica, ottenendo una generazione fino a circa 3 volte più veloce senza modificare la distribuzione dell'output.
Impatto strategico
Velocità e scala
I flussi di lavoro linguistici possono muoversi più velocemente senza sacrificare la coerenza.
Accedere e raggiungere
Espande l'accesso attraverso lingue e stili di comunicazione.
Decisioni più chiare
I team possono dedicare più tempo al giudizio mentre l'automazione gestisce la ripetizione.
Il futuro della formazione sulle previsioni multi-token
L'MTP sta diventando un ingrediente predefinito nelle ricette di training di frontiera perché migliora sia la qualità che la velocità di inferenza a costi contenuti. Aspettatevi una più stretta integrazione con la decodifica speculativa, orizzonti di previsione più profondi e l’utilizzo come obiettivo ausiliario che migliora la pianificazione a lungo orizzonte. In combinazione con i modelli di ragionamento, la previsione di più passi avanti può aiutare i modelli a simulare internamente le conseguenze prima di impegnarsi in una risposta.
Implementazione nel mondo reale
DeepSeek-V3 utilizza un obiettivo MTP durante il pre-addestramento per aumentare l'efficienza dei dati e consentire la decodifica speculativa
I modelli di generazione del codice di Meta mostrano i miglioramenti in termini di precisione su HumanEval e MBPP derivanti dalla previsione di più token
Decodifica auto-speculativa: redazione di 3-4 token per passaggio in avanti quindi verifica per un output più veloce e che preservi la distribuzione
Completamento automatico più rapido negli assistenti di codifica in cui vengono proposti e controllati più token plausibili in un unico passaggio
Rischi e guardrail
Fatti allucinati possono tranquillamente entrare nei rapporti, nei flussi di supporto o nei risultati della ricerca.
La sensibilità tempestiva può creare risultati incoerenti tra richieste simili.
I dati di testo sensibili potrebbero essere esposti se i controlli di accesso sono deboli.
Tabella di marcia per l'implementazione
Definisci il formato di output, il tono e gli standard di qualità prima dell'implementazione.
Risposte concrete con fonti attendibili ogni volta che la precisione è importante.
Mantenere un checkpoint di revisione umana per i risultati ad alto rischio.
Tieni traccia dei modelli di errore e riqualifica regolarmente le richieste o i flussi di lavoro.
Continua a esplorare
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 Multi-Token Prediction Training 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
Prossima guida
Streaming speculativo e previsione multi-token
Domande frequenti
Che cos'è l'addestramento sulla previsione multi-token?
Invece di prevedere solo il token successivo, il modello è addestrato a prevedere diversi token futuri contemporaneamente. Ciò affina i segnali di apprendimento e sblocca un’inferenza più rapida attraverso la decodifica auto-speculativa.
Cosa aggiunge la previsione multi-token rispetto all'addestramento standard del token successivo?
MTP aggiunge ulteriori teste di output in modo che il modello preveda il token successivo più diversi token più avanti da uno stato nascosto.
Quale modello ha utilizzato in particolare un obiettivo di previsione multi-token nel pre-addestramento?
DeepSeek-V3 ha adottato un obiettivo di formazione MTP per migliorare l'efficienza dei dati e consentire la decodifica speculativa.
Perché MTP densifica il segnale di allenamento?
Prevedere diversi token futuri significa che ciascuna posizione del token produce diverse perdite di previsione, fornendo più segnali di apprendimento per token.
Quale vantaggio in termini di inferenza offrono le testine di previsione aggiuntive?
Le teste ausiliarie possono redigere più token per passaggio che vengono poi verificati, accelerando la generazione senza modificare la distribuzione dell'output.
Cosa succede alle teste ausiliarie dopo l'allenamento se non servono accelerazioni?
Le teste extra sono facoltative al momento della distribuzione; scartandoli si mantiene il modello della stessa dimensione di un modello standard del gettone successivo.