SpecInfer论文阅读

题目:SpecInfer: Accelerating Large Language Model Serving with Tree-based Speculative Inference and Verification

链接:https://arxiv.org/abs/2305.09781

本文提出了构建token tree的方式、引入了基于树的并行解码机制。

SSM推理

就是先让小模型,文中成为SSM,生成一个token tree。可以是一个小模型生成一个树,也可以是多个小模型每个生成一个序列,然后把几个序列合成一个树。

关于一个小模型生成一个树(扩展)的细节:

  • 对于LLM和SSM,虽然二者单步推理的结果可能不一样,但是LLM的结果往往是在SSM的tok-k个token中。实验表明,对于贪心解码,top-5的命中率为80%-90%,而随机解码能达到97%

  • 但是如果使用top-k且不加限制,会导致指数级增长,比如到第三个token时就有​个候选。因此,需要指定每一步推理中token扩展的数量,<2,2,1>表示前两次推理时每次扩展两个token,第三次推理时每次扩展一个token,也就是最终会产生​个序列。

  • 关于扩展的方案,文中提到:从SSM动态扩展令牌树是一个开放的研究问题,超出了本文的范围,我们将其作为未来的工作。

关于多个小模型每个生成序列后合并(融合)的细节:

  • 使用文本语料作为输入,让LLM生成token序列。之后使用这些token序列样本对每个SSM进行逐一微调

  • 逐一微调的过程是:先微调完一个SSM,然后把SSM的输出与LLM输出相同的样本进行过滤;剩下的样本去微调下一个SSM。这样是为了保证每一个SSM的推理结果能尽可能少的重叠

LLM验证

LLM的作用就变成了验证这个token tree。在验证的过程中,使用了基于树的并行解码机制,也就是树状注意力。下面是具体内容:

  • 在普通的自注意机制中,每个token在计算对其他token注意力时,会mask掉自己后面的序列,也就是对后面token的注意力为负无穷

  • 因此,只要某个token不在自己当前序列的前方,那么就不去注意它

  • 下图右边展示了tree attention应该mask掉哪些token。比如​,它所在的序列是​,所以像​这种不和它在同一序列当中的,就不需要考虑注意力。

  • 涉及到KV cache,使用深度优先进行更新缓存,也就是对应下图​的顺序

文中提及了一些SpecInfer的优点,比如节省访存时间、减少推理延迟,这些优点也是speculative decoding所具备的。有没有其他SD不具备的优点?那就是:对于普通的SD,小模型一次只能预测一个序列,所以每步推理只有一个候选,这会导致LLM验证时拒绝的概率较高;而SpecInfer通过token tree,可以在验证每一步推理时,从多个候选中进行挑选,降低了拒绝概率。

这篇文章感觉相当不错,工作量大(不是实验工作量大,而是创新工作量大),讲述的也清晰完整,后面还有系统设计,对SpecInfer进行了底层优化;最后还给了跑通代码的步骤(虽然放到readme文件里就可以了)

相关推荐
极客BIM工作室3 分钟前
遗传算法属于机器学习吗?
人工智能·机器学习
槐夏十八12 分钟前
Suno API 的对接和使用
人工智能
guidovans14 分钟前
Crawl4AI精准提取结构化数据
人工智能·python·tensorflow
虫无涯40 分钟前
Dify调用硅基流动中模型时,流程编排中运行模型不显示思考过程,如何解决?
人工智能
猫天意1 小时前
【CVPR2025-DEIM】基础课程二十:顶会中的Partial创新思想,随意包装你想包装的!
图像处理·人工智能·yolo·计算机视觉·matlab
DDC楼宇自控与IBMS集成系统解读1 小时前
IBMS智能化集成系统:构建建筑全场景协同管控中枢
大数据·网络·人工智能·能耗监测系统·ibms智能化集成系统·楼宇自控系统·智能照明系统
SimonSkywalke1 小时前
STS_Root_Cause_Analysis_Error.ipynb 工作流程解析
运维·人工智能
shao9185161 小时前
Gradio全解11——Streaming:流式传输的视频应用(5)——RT-DETR:实时端到端检测模型
人工智能·nms·objects365·rt-detr·rt-detrv2·高效混合编码器·iou交并比
chanalbert1 小时前
信息检索技术综述:从传统稀疏检索到现代深度学习方法
人工智能·深度学习·全文检索
vivo互联网技术1 小时前
聚焦结构化注意力,探索提升多模态大模型文档问答性能
人工智能