概述
推測性解碼使用小型、快速的「草稿」模型來猜測幾個即將出現的標記，然後大型模型一次驗證這些標記。它可以在不改變輸出的情況下將文字產生速度提高 2-3 倍。
推測性解碼草案模型是語言 AI 堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。
深入探討
大型語言模型一次產生一個標記的文本，每一步都需要完全前向傳遞數十億個參數——速度慢且受記憶體限制。推測性解碼透過將大的「目標」模型與廉價的「草稿」模型配對來解決這個問題。模型草案快速提出了一大塊，例如 4-8 個候選令牌。然後，大模型在一次並行前向傳遞中處理所有這些，並檢查每一個。接受與大模型產生的代幣相符的代幣；第一個不匹配被修正，其餘的被丟棄。由於一次驗證多個代幣的成本與產生一個代幣的成本大致相同，因此接受的運行幾乎是免費的。至關重要的是，拒絕採樣步驟可確保最終分佈與單獨運行大模型相同 - 速度快且品質沒有損失。
技術洞察
關鍵技巧是改進的拒絕抽樣測試。對於每個起草的令牌，目標模型的機率與草案模型的機率進行比較。如果目標分配相同或更高的機率，則令牌被接受；否則，它以等於該比率的機率被接受，並且在拒絕時，從調整後的殘差分佈中採樣校正的令牌。這種數學計算使得輸出可證明相當於直接從大型模型中取樣。
掌握推測解碼草案模型
推測性解碼使用小型、快速的「草稿」模型來猜測幾個即將出現的標記，然後大型模型一次驗證這些標記。它可以在不改變輸出的情況下將文字產生速度提高 2-3 倍。推測性解碼草案模型是語言 AI 堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。為了建立深入的理解，請將推測解碼草案模型視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用推測解碼草案模型的強大團隊將提示、檢索和審查循環設計為一個整合的通訊系統。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
語言工作流程可以在不犧牲一致性的情況下更快地移動。同時，幻覺事實可以悄悄地進入報告、支持流程或研究成果。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
語言工作流程可以在不犧牲一致性的情況下更快地移動。
語言工作流程可以在不犧牲一致性的情況下更快地移動。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
它擴展了跨語言和溝通方式的訪問。
它擴展了跨語言和溝通方式的訪問。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
Anthropic、OpenAI 和 Google 使用推測解碼來減少為數百萬用戶提供服務的聊天助理的延遲和服務成本。
vLLM 和 NVIDIA TensorRT-LLM 附帶內建推測解碼，因此自架程式可以加速 Llama 或 Mistral 部署。
將 7B 草稿模型與 70B 目標（例如 Llama-3 系列）配對，可在單一 GPU 上將每秒令牌數約增加一倍。
程式碼完成工具使用一個微小的草稿模型來提出由較大模型驗證的樣板，從而使建議在編輯器中保持敏捷。
實施模式
實踐中的推測性解碼草案模型
Anthropic、OpenAI 和 Google 使用推測解碼來減少為數百萬用戶提供服務的聊天助理的延遲和服務成本。
Anthropic、OpenAI 和 Google 使用推測性解碼來減少為數百萬用戶提供服務的聊天助理的延遲和服務成本。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的推測性解碼草案模型
vLLM 和 NVIDIA TensorRT-LLM 附帶內建推測解碼，因此自架程式可以加速 Llama 或 Mistral 部署。
vLLM 和 NVIDIA TensorRT-LLM 提供內建推測解碼，因此自架程式可以加快 Llama 或 Mistral 部署。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的推測性解碼草案模型
將 7B 草稿模型與 70B 目標（例如 Llama-3 系列）配對，可在單一 GPU 上將每秒令牌數約增加一倍。
將 7B 草稿模型與 70B 目標（例如 Llama-3 系列）配對，使單一 GPU 上的每秒令牌數大約翻倍。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的推測性解碼草案模型
程式碼完成工具使用一個微小的草稿模型來提出由較大模型驗證的樣板，從而使建議在編輯器中保持敏捷。
程式碼完成工具使用微小的草稿模型來提出樣板文件，供較大的模型驗證，從而在編輯器中保持建議的敏捷性。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
風險與防護欄
幻覺的事實可以悄悄地進入報告、支持流程或研究成果。
及時的敏感性可能會在類似的請求中產生不一致的結果。
如果存取控制薄弱，敏感文字資料可能會暴露。
實施路線圖
在推出之前定義輸出格式、語氣和品質標準。
在推出之前定義輸出格式、語氣和品質標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
當準確性很重要時，請使用可信任來源進行地面回應。
當準確性很重要時，請使用可信任來源進行地面回應。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為高風險輸出保留人工審查檢查點。
為高風險輸出保留人工審查檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤故障模式並定期重新訓練提示或工作流程。
追蹤故障模式並定期重新訓練提示或工作流程。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。