Truyền phát đầu cơ và dự đoán nhiều mã thông báo
Truyền trực tuyến suy đoán và dự đoán nhiều mã thông báo tăng tốc việc tạo mô hình ngôn ngữ bằng cách đoán một số mã thông báo trong tương lai cùng một lúc và xác minh chúng trong một lần chuyển, thay vì tạo từng mã thông báo một lần.
Tổng quan
They cut latency without changing the text the model would have written.
Lặn sâu
Quá trình giải mã tự động hồi quy thông thường diễn ra chậm vì mỗi mã thông báo yêu cầu chuyển tiếp hoàn toàn và các mã thông báo được tạo lần lượt từng mã một, khiến GPU không được sử dụng đúng mức. Giải mã đầu cơ khắc phục điều này bằng một công cụ soạn thảo giá rẻ đề xuất một đoạn mã thông báo ứng cử viên mà mô hình mục tiêu lớn sau đó sẽ xác minh song song; bất kỳ tiền tố nào phù hợp với những gì mục tiêu sẽ tạo ra đều được chấp nhận miễn phí và lỗi không khớp đầu tiên sẽ được sửa. Luồng suy đoán và dự đoán nhiều mã thông báo theo phong cách Medusa gấp trình soạn thảo vào chính mô hình: các đầu dự đoán nhẹ hơn (hoặc một luồng mã thông báo đầu cơ) cho phép một mô hình vừa soạn thảo vừa xác minh, tránh một mô hình dự thảo riêng biệt. Bởi vì việc xác minh là chính xác nên việc phân phối đầu ra giống hệt với giải mã tiêu chuẩn, bạn chỉ cần nhận được ít bước tuần tự hơn từ 2 đến 3 lần.
Hiểu biết kỹ thuật
Điều quan trọng là một máy biến áp có thể ghi được nhiều vị trí trong một lần chuyển tiếp với chi phí rẻ như một vị trí, vì nó bị giới hạn băng thông bộ nhớ chứ không phải giới hạn tính toán trong quá trình giải mã. Nhiều đầu dự đoán phát ra mã thông báo ứng cử viên cho một số vị trí tiếp theo; một cây hoặc chuỗi các ứng cử viên được xác minh cùng nhau và việc chấp nhận sử dụng lấy mẫu từ chối (hoặc kết hợp tham lam) để các mã thông báo được chấp nhận tuân theo phân phối mục tiêu chính xác. Độ dài được chấp nhận trên mỗi bước sẽ xác định tốc độ tăng tốc.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của truyền phát đầu cơ và dự đoán nhiều mã thông báo
Các phương pháp tự suy đoán không cần mô hình dự thảo riêng biệt đang trở thành mặc định trong các công cụ suy luận và nghiên cứu đang đẩy tỷ lệ chấp nhận cao hơn với các đầu dự thảo tốt hơn, các ứng cử viên có cấu trúc cây và cùng đào tạo mô hình cơ sở để dự đoán nhiều mã thông báo (cũng có thể cải thiện chất lượng). Mong đợi những kỹ thuật này sẽ kết hợp với lượng tử hóa và phân khối để trợ lý tương tác cảm nhận được ngay lập tức ngay cả khi các mô hình phát triển.
Triển khai trong thế giới thực
Giảm độ trễ phản hồi của trợ lý trò chuyện từ 2 đến 3 lần bằng cách sử dụng các đầu dự đoán bổ sung kiểu Medusa
Thêm giải mã tự suy đoán vào máy chủ suy luận để không cần lưu trữ mô hình dự thảo riêng biệt
Tăng tốc độ hoàn thành mã trong đó các lần chạy mã thông báo dài, có thể dự đoán được được chấp nhận theo khối lớn
Giảm chi phí GPU cho mỗi yêu cầu bằng cách trích xuất nhiều mã thông báo hơn từ mỗi lượt chuyển tiếp giới hạn bộ nhớ
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
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 Streaming and Multi-Token Prediction 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
Đào tạo dự đoán nhiều mã thông báo
Câu hỏi thường gặp
What is Speculative Streaming and Multi-Token Prediction?
Truyền trực tuyến suy đoán và dự đoán nhiều mã thông báo tăng tốc việc tạo mô hình ngôn ngữ bằng cách đoán một số mã thông báo trong tương lai cùng một lúc và xác minh chúng trong một lần chuyển, thay vì tạo từng mã thông báo một lần. Họ cắt giảm độ trễ mà không thay đổi văn bản mà mô hình đã viết.
Tại sao quá trình giải mã tự hồi quy tiêu chuẩn thường bị chậm trên GPU?
Mỗi mã thông báo cần có đường chuyển tiếp riêng và chúng có tính tuần tự nghiêm ngặt, do đó GPU bị giới hạn băng thông bộ nhớ và không được sử dụng đúng mức trong quá trình giải mã.
'Người soạn thảo' làm gì trong việc giải mã suy đoán?
Một người soạn thảo giá rẻ đề xuất một đoạn mã thông báo ứng cử viên mà mô hình mục tiêu lớn sau đó sẽ xác minh song song.
Chất lượng đầu ra được bảo toàn như thế nào trong giải mã suy đoán?
Việc xác minh (so khớp tham lam hoặc lấy mẫu từ chối) đảm bảo các mã thông báo được chấp nhận tuân theo phân phối chính xác mà mô hình mục tiêu sẽ tạo ra, do đó đầu ra không thay đổi.
Điều gì phân biệt dự đoán đa mã thông báo kiểu Medusa với giải mã đầu cơ cổ điển?
Các phương pháp kiểu Medusa đưa bản phác thảo vào mô hình với các đầu dự đoán bổ sung, tránh nhu cầu lưu trữ một mô hình bản nháp riêng.
Tại sao một máy biến áp có thể xác minh nhiều vị trí ứng cử viên với chi phí gần bằng một vị trí trong quá trình giải mã?
Trong quá trình giải mã, nút thắt cổ chai đang di chuyển các trọng số khỏi bộ nhớ, do đó, việc ghi thêm các vị trí trong cùng một lượt sẽ tốn thêm ít chi phí tính toán.