Xác minh lấy mẫu suy đoán
Lấy mẫu suy đoán tăng tốc độ tạo mô hình ngôn ngữ lớn bằng cách cho phép một mô hình 'bản nháp' nhỏ đoán trước một số mã thông báo, sau đó yêu cầu mô hình lớn xác minh chúng chỉ trong một lần.
Tổng quan
Bước xác minh thông minh đảm bảo đầu ra khớp với những gì mà mô hình lớn tự nó tạo ra.
Lặn sâu
Quá trình tạo tự hồi quy diễn ra chậm vì mỗi mã thông báo cần chuyển tiếp hoàn toàn một mô hình khổng lồ. Lấy mẫu suy đoán khắc phục điều này bằng cách ghép một mô hình dự thảo giá rẻ với mô hình mục tiêu đắt tiền. Dự thảo đề xuất một đợt chạy ngắn mã thông báo (giả sử là 4-8); Sau đó, mục tiêu sẽ ghi tất cả chúng trong một đường chuyền song song về phía trước. Quy tắc lấy mẫu từ chối đã sửa đổi chấp nhận tiền tố dài nhất phù hợp với phân phối của chính mục tiêu và lấy mẫu lại ở vị trí bị từ chối đầu tiên. Bởi vì việc chấp nhận mang tính xác suất và được sửa chữa nên luồng mã thông báo cuối cùng được phân phối chính xác một cách có thể chứng minh được như thể mục tiêu được tạo ra một mình, không làm giảm chất lượng. Tốc độ tăng tốc thông thường là 2-3 lần khi bản nháp nhanh và được căn chỉnh tốt, vì nhiều mã thông báo được xác nhận cho mỗi cuộc gọi đắt tiền.
Hiểu biết kỹ thuật
Đối với mỗi mã thông báo được soạn thảo, bạn so sánh xác suất mục tiêu q và xác suất dự thảo p. Chấp nhận với xác suất min(1, q/p); nếu bị từ chối, lấy mẫu từ phân phối dư chuẩn hóa max(0, q-p). Quy tắc loại bỏ này làm cho việc phân phối cận biên giống hệt với việc lấy mẫu mục tiêu thuần túy. Quá trình vượt qua song song của mục tiêu cũng mang lại sự phân phối mã thông báo tiếp theo 'miễn phí' sau mã thông báo được chấp nhận cuối cùng, do đó tiến trình không bao giờ bị đình trệ.
Tác động chiến lược
Tốc độ và tỷ lệ
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Truy cập và tiếp cận
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Quyết định rõ ràng hơn
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Tương lai của việc xác minh lấy mẫu suy đoán
Giải mã suy đoán đang trở thành tiêu chuẩn trong ngăn xếp suy luận. Các biến thể mới hơn loại bỏ mô hình dự thảo riêng biệt: tính năng tự suy đoán sử dụng đầu ra sớm hoặc đầu dự đoán bổ sung (Medusa, EAGLE), tính năng soạn thảo dựa trên cây xác minh nhiều phần tiếp theo của ứng cử viên cùng một lúc và giải mã xem trước song song với các dự đoán n-gram. Mong đợi sự tích hợp chặt chẽ hơn với tính năng quản lý nhóm và bộ đệm KV, định cỡ bản nháp nhận biết phần cứng và sử dụng rộng rãi hơn trong các sản phẩm nhạy cảm với độ trễ như trợ lý trò chuyện và công cụ mã hóa trong đó mỗi mili giây đều có giá trị.
Triển khai trong thế giới thực
Cung cấp mô hình trò chuyện 70B với mô hình dự thảo 7B để giảm độ trễ phản hồi xuống gần một nửa với chất lượng đầu ra giống hệt nhau.
Kiểu Medusa dựa trên một mô hình duy nhất dự đoán một số mã thông báo trong tương lai, sau đó xác minh chúng mà không cần mạng dự thảo riêng.
Giải mã suy đoán dựa trên cây đề xuất nhiều lần tiếp tục phân nhánh và xác minh tất cả chúng trong một lần truyền mục tiêu.
Tăng tốc các trợ lý hoàn thiện mã trong đó mô hình dự thảo xử lý bản mẫu soạn sẵn có thể dự đoán được mà mô hình lớn nhanh chóng xác nhận.
Rủi ro & lan can
Sự thật ảo giác có thể lặng lẽ đi vào báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu.
Sự nhạy cảm kịp thời có thể tạo ra kết quả không nhất quán đối với các yêu cầu tương tự.
Dữ liệu văn bản nhạy cảm có thể bị lộ nếu khả năng kiểm soát quyền truy cập yếu.
Lộ trình thực hiện
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Tiếp tục khám phá
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 Sampling Verification 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
Hướng dẫn tiếp theo
Tinh chỉnh lấy mẫu từ chối
Câu hỏi thường gặp
Xác minh lấy mẫu suy đoán là gì?
Lấy mẫu suy đoán tăng tốc độ tạo mô hình ngôn ngữ lớn bằng cách cho phép một mô hình 'bản nháp' nhỏ đoán trước một số mã thông báo, sau đó yêu cầu mô hình lớn xác minh chúng chỉ trong một lần. Bước xác minh thông minh đảm bảo đầu ra khớp với những gì mà mô hình lớn tự nó tạo ra.
Ý tưởng cốt lõi đằng sau việc lấy mẫu suy đoán là gì?
Một mô hình dự thảo giá rẻ dự đoán một số mã thông báo phía trước và mô hình mục tiêu đắt tiền sẽ kiểm tra tất cả chúng trong một lần chuyển tiếp song song duy nhất.
Tại sao lấy mẫu suy đoán không làm giảm chất lượng đầu ra?
Việc sửa đổi lấy mẫu từ chối đã sửa đổi đảm bảo các mã thông báo được chấp nhận được phân phối chính xác như mô hình mục tiêu sẽ được tạo ra.
Tại sao việc lấy mẫu suy đoán có thể đạt được tiến bộ ngay cả khi mã thông báo bị từ chối ở giữa chuỗi?
Chuyển tiếp mục tiêu duy nhất tạo ra phân phối mã thông báo tiếp theo sau mã thông báo được chấp nhận cuối cùng, do đó, ít nhất một mã thông báo luôn tiến lên.
Đâu là cách tiếp cận “tự suy đoán” tránh được một mô hình dự thảo riêng biệt?
Medusa và EAGLE thêm các đầu bổ sung hoặc sử dụng các lần thoát sớm để cùng một mô hình đề xuất các mã thông báo trong tương lai, loại bỏ nhu cầu về một mô hình dự thảo riêng biệt.