マルチトークン予測トレーニング
次のトークンだけを予測するのではなく、モデルは将来の複数のトークンを一度に予測するようにトレーニングされます。
概要
This sharpens learning signals and unlocks faster inference through self-speculative decoding.
ディープダイブ
標準言語モデルは、次のトークンの予測を使用してトレーニングされます。コンテキストが与えられた場合、単一の次のトークンを予測します。 2024 Meta 論文によって普及し、DeepSeek-V3 で採用されたマルチトークン予測 (MTP) は、軽量の出力ヘッドを追加することで、モデルが次のトークンと、同じ隠れ状態から先の 2 番目、3 番目、および 4 番目のトークンを同時に予測できるようにします。これにより、ネットワークはさらに将来の計画を立てる必要が生じ、トレーニング信号が高密度化され、各位置が複数の損失項に寄与するようになります。 Meta は、コーディングと生成推論で特に大きなメリットがあり、大規模なモデルほどメリットが大きいと報告しました。重要なのは、余分なヘッドはトレーニング後に破棄できるため、展開時のモデルのサイズを大きくする必要がないことです。
技術的な洞察
MTP は、共有トランス トランクの上部に n 個の独立した予測ヘッドを接続します。 head k は、位置 t の表現から位置 t+k のトークンを予測します。損失はトレーニング中に合計されます。推論時、補助ヘッドにより自己投機的デコードが可能になります。モデルは 1 つのパスで複数のトークンを提案し、それらを検証して、出力分布を変更せずに最大約 3 倍高速な生成を実現します。
戦略的影響
速度とスケール
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
アクセスと到達範囲
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
より明確な判決
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
マルチトークン予測トレーニングの将来
MTP は、ほとんどコストをかけずに品質と推論速度の両方を向上させるため、フロンティア トレーニング レシピのデフォルトの要素になりつつあります。投機的デコードとのより緊密な統合、より深い予測範囲、および長期的な計画を改善する補助的な目的としての使用が期待されます。推論モデルと組み合わせると、複数のステップ先を予測することで、モデルが答えを確定する前に内部で結果をシミュレーションできる可能性があります。
現実世界の実装
DeepSeek-V3 は、事前トレーニング中に MTP 目標を使用してデータ効率を高め、投機的デコードを可能にします
Meta のコード生成モデルは、複数のトークンの予測による HumanEval と MBPP の精度の向上を示しています
自己投機的デコード: 順方向パスごとに 3 ～ 4 個のトークンをドラフトし、より高速で分散を維持した出力を検証します。
複数の妥当なトークンが 1 ステップで提案されチェックされるため、コーディング アシスタントのオートコンプリートが高速化されます。
リスクとガードレール
幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
実装ロードマップ
展開する前に、出力形式、トーン、品質基準を定義します。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
探検を続けましょう
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
次のガイド
投機的ストリーミングとマルチトークン予測
よくある質問
What is Multi-Token Prediction Training?
次のトークンだけを予測するのではなく、モデルは将来の複数のトークンを一度に予測するようにトレーニングされます。これにより、学習信号が鮮明になり、自己投機的なデコードを通じてより高速な推論が可能になります。
標準のネクストトークントレーニングと比較して、マルチトークン予測には何が追加されますか?
MTP は追加の出力ヘッドを追加するため、モデルは次のトークンと、1 つの隠れた状態からさらに先のいくつかのトークンを予測します。
事前トレーニングでマルチトークン予測目標を特に使用したモデルはどれですか?
DeepSeek-V3 は、データ効率を向上させ、投機的なデコードを可能にするために MTP トレーニング目標を採用しました。
MTP がトレーニング信号を高密度化するのはなぜですか?
複数の将来のトークンを予測するということは、各トークンの位置でいくつかの予測損失が生成され、トークンごとにより多くの学習信号が得られることを意味します。
追加の予測ヘッドによってどのような推論上のメリットが得られますか?
補助ヘッドはパスごとに複数のトークンをドラフトすることができ、その後検証されるため、出力分布を変更することなく生成が高速化されます。
スピードアップが必要ない場合、トレーニング後に補助ヘッドはどうなりますか?
追加のヘッドは展開時にオプションです。それらを破棄すると、モデルは標準の次のトークン モデルと同じサイズに保たれます。