预测token速度翻番！Transformer新解码算法火了，来自小羊驼团队｜代码已开源

丰色 发自 凹非寺

量子位 | 公众号QbitAI

小羊驼团队的新研究火了。

他们开发了一种新的解码算法，可以让模型生成token的速度提高1.5-2.3倍，进而加速LLM推理。

比如这是同一个模型（LLaMa-2-Chat 7B）面对同一个用户提问（苏格拉底采用了哪些方法来挑战他那个时代的主流思想？）时输出回答的速度：

左边为原算法，耗时18.12s，每秒约35个token；

右边为该算法，耗时10.4s，每秒约60个token，明显快了一大截。

简单来说，这是一种并行解码算法，名叫“Lookahead Decoding” （前向解码）。

它主要利用雅可比（Jacobi）迭代法首次打破自回归解码中的顺序依赖性 （众所周知，当下大模型基本都是基于自回归的Transformer）。

由此无需草稿模型（draft model）或数据存储，就可以减少解码步骤，加速LLM推理。

目前，作者已给出了与huggingface/transformers兼容的实现，只需几行代码，使用者即可轻松增强HF原生生成的性能。

有网友表示：

该方法实在有趣，没想到在离散设置上效果这么好。

还有人称，这让我们离“即时大模型”又近了一步。

具体如何实现？

加速自回归解码的重要性

不管是GPT-4还是LLaMA，当下的大模型都是基于自回归解码，这种方法下的推理速度其实是非常慢的。

因为每个自回归解码步骤一次仅生成一个token。

这样一来，模型输出的延迟有多高就取决于回答的长度。

更糟的是，这样的操作方式还浪费了现代GPU的并行处理能力。

对于聊天机器人来说，当然是延迟越低，响应越快越好（尤其面对长序列答案时）。

此前，有人提出了一种叫做推测解码的加速自回归解码的算法，大致思路是采用猜测和验证策略，即先让草稿模型预测几个潜在的未来token，然后原始LLM去并行验证。

该方法可以“凭好运气”减少解码步骤的数量，从而降低延迟.

但也有不少问题，比如效果受到token接受率的限制，创建准确的草稿模型也麻烦，通常需要额外的训练和仔细的调整等。

在此，小羊驼团队提出了一种的新的精确并行解码算法，即前向解码来克服这些挑战。

前向解码打破顺序依赖性

前向解码之所以可行，是作者们观察到：

尽管一步解码多个新token是不可行的，但LLM确实可以并行生成多个不相交的n-grams——它们可能适合生成序列的未来部分。

这可以通过将自回归解码视为求解非线性方程，并采用经典的Jacobi迭代法进行并行解码来实现。

在过程中，我们就让生成的n-grams被捕获并随后进行验证，如果合适就将其集成到序列中，由此实现在不到m个步骤的时间内生成m个token的操作。

作者介绍，前向解码之所以能够“脱颖而出”，主要是因为它：

一不需草稿模型即可运行，简化了部署。

二是相对于每步 log(FLOPs) 线性减少了解码步骤数，最终在单个GPU、不同数据集上实现快1.5倍-2.3倍的token数预测。

更重要的是，它允许分配更多（大于1个GPU）的 FLOP，以在对延迟极其敏感的应用程序中实现更大程度地延迟下降，尽管这会带来收益递减。

下面是具体介绍：

1、Jacobi迭代在进行求解非线性系统时，一并使用定点迭代方法一次性解码所有的未来token。

这个过程几乎看不到时钟加速。

2、前向解码通过收集和缓存Jacobi迭代轨迹生成的n-grams来利用Jacobi解码的能力。

下图为通过Jacobi解码收集2-grams，然后验证并加速解码的过程。

3、每个解码步骤有2个分支：

前向分支维护一个固定大小的2D窗口，以根据Jacobi轨迹生成n-grams；验证分支验证有希望的n-grams。

作者实现了二合一atten mask，以进一步利用GPU的并行计算能力。

4、前向解码无需外部源即可立即生成并验证非常多的n-grams。这虽然增加了步骤的成本，但也提高了接受更长n-grams可能性。

换句话说，前向解码允许用更多的加速器来减少延迟。

5、作者检查了flops vs 延迟减少之间的缩放行为，并找到了缩放法则：
当n-grams足够大时（比如11-gram），以指数方式增加未来的token猜测（即窗口大小）可以线性减少解码步骤数。

作者介绍

本方法作者一共4位，全部来自小羊驼团队。

其中有两位华人：

傅一超以及张昊，后者博士毕业于CMU，硕士毕业于上交大，现在是加州大学圣地亚哥分校助理教授。

参考链接：
[1]https://twitter.com/lmsysorg/status/1727056892671950887
[2]https://lmsys.org/blog/2023-11-21-lookahead-decoding/
[3]https://github.com/hao-ai-lab/LookaheadDecoding

— 完 —