Better & Faster Large Language Models via Multi-token Prediction 原理

目录

模型结构：

[Memory-efficient implementation：](#Memory-efficient implementation：)

实验：

[1. 在大规模模型上效果显著：](#1. 在大规模模型上效果显著：)

[2. 在不同类型任务上的效果：](#2. 在不同类型任务上的效果：)

为什么MLP对效果有提升的几点猜测：

[1. 并非所有token对生成质量的影响相同](#1. 并非所有token对生成质量的影响相同)

[2. 关键选择点的权重累积机制](#2. 关键选择点的权重累积机制)

[3. 从互信息的角度解释](#3. 从互信息的角度解释)

[4. 因果语言模型的传统因子化顺序](#4. 因果语言模型的传统因子化顺序)

屈折语中的语法一致性挑战

非因果因子化顺序的优势（多token预测提升对复杂语法结构（如屈折、一致关系）的处理能力）

通过隐式建模非因果依赖，减少因局部错误导致的全局矛盾

问题：

---

模型结构：

单token预测：

多token预测：

model 应用一个共享trunk来针对产生一个latent 表示,接着送入到n个独立的head来并行预测未来n个tokens。

其中：

Memory-efficient implementation：

由于词表大小V远大于维度d，所以logit的计算,由(d,V)变化为 (d,V*N),是GPU memery使用的瓶颈。解决办法为序列话的计算每个独立输出头的前向和反向传播过程，在trunk进行梯度累加。在计算之前的计算已经被释放掉。将CPU的memery峰值从降低为。

实验：

1. 在大规模模型上效果显著：

小规模模型的局限性

• 模型容量不足：小模型（如百万或十亿参数级）难以同时捕捉多个时间步的复杂依赖关系。多令牌预测需要模型理解长距离上下文和跨步关联，这对小模型来说过于困难。

• 边际收益低：在小规模实验中，多令牌预测可能仅带来微弱的效果提升（如困惑度略微下降），无法证明其额外计算成本是合理的。

2. 在不同类型任务上的效果：

2.1在choice task上面没有提升性能，可能需要放大模型大小才能看到效果。

2.2 在抽象文本总结任务上有提升：

2.3:归纳能力：随着模型大小增大，两者能力趋于相同。

为什么MLP对效果有提升的几点猜测：

1. 并非所有token对生成质量的影响相同

在语言模型生成文本时，某些token的决策对整体质量至关重要，而另一些则影响较小（如风格变化）。

• 关键选择点（Choice Points）：影响文本高层语义的token（例如问答中的核心术语、逻辑转折词），错误会导致回答偏离主题。

• 无关紧要的token（Inconsequential Transitions）：仅影响局部风格（如近义词替换），不影响后续内容。

2. 关键选择点的权重累积机制

关键选择点（如位置 t）的决策错误会直接影响后续多个token的生成。例如：

• 若模型在 t 处预测错误，可能导致 t+1,t+2,...,t+n 的预测全部偏离正确路径。

• 此时，总损失中会包含 Lt+1,Lt+2,...,Lt+n​，这些损失均与 t 处的错误相关。

数学推导（以n=5为例）：

• 关键选择点（如位置 t）的错误会影响后续5个token的预测，其总权重为：

  

  这里的权重 k 表示第 k 步的损失对关键点的梯度贡献。

• 无关紧要的token （如位置 t+1）仅影响后续4个token，总权重为 ，但实际实现中可能简化为固定权重 n。

多token预测的损失函数在反向传播时，关键点的梯度会从多个未来位置的损失中累积：

• 传统自回归：位置 t 的错误仅通过 Lt+1的梯度更新参数。

• 多token预测 ：位置 t 的错误通过 Lt+1,Lt+2,...,Lt+n 的梯度叠加更新参数，形成更高的有效权重(梯度在反向传播时会自然累积到共同依赖的关键点上)。

例如，若位置 t 是生成回答中的核心术语（如"量子力学"），其错误会导致后续所有相关解释偏离正轨。此时，模型从多个未来位置的损失中接收到更强的信号，迫使它优先学习正确预测此类关键点。

3. 从互信息的角度解释

还没完全理解，理解后再更新

4. 因果语言模型的传统因子化顺序

• 基本公式 ：因果语言模型（如GPT）将文本序列的联合概率分解为自回归形式，即按时间顺序逐个预测下一个token

• 特点：生成顺序严格从前向后（如首先生成 x1​，再基于 x1​ 生成 x2​，依此类推）。

• 局限性 ：某些语言结构（如屈折语中的语法一致性）需要逆向或跳跃式依赖，传统顺序可能不高效。

屈折语中的语法一致性挑战

• 示例 ：德语句子
  Wie konnten auch Worte meiner durstenden Seele genügen?

  包含以下语法依赖：

  1. 动词 genügen 要求其宾语为与格（Dative Case）。

  2. 名词 Seele 为阴性单数与格，因此所有修饰成分（如物主代词 meiner 和分词 durstenden）必须与其在性、数、格上一致。

• 关键矛盾：

  • 传统自回归顺序需先生成 meiner 和 durstenden ，再生成 Seele 和 genügen。

  • 但实际上，后续的 genügen 和 Seele 的语法要求决定了前面的 meiner 和 durstenden 的形式。

非因果因子化顺序的优势（ 多token预测提升对复杂语法结构（如屈折、一致关系）的处理能力**）**

• 逆向推理 ：若模型能先预测后续关键token（如 genügen 和 Seele ），再生成前面的修饰词（如 meiner 和 durstenden），可更高效确保语法一致性。

• 示例中的理想顺序：

  主句→genu¨gen→Seele→meiner→durstenden主句→genu¨gen→Seele→meiner→durstenden

• 优势：先生成核心动词和名词，再根据其语法要求调整修饰词形态，避免回溯错误。

通过隐式建模非因果依赖，减少因局部错误导致的全局矛盾

• 传统单步预测：模型仅基于上文生成下一个token，无法显式利用后续token的语法信息。

• 多token预测（如4-token）：

  1. 强制模型在生成当前token时，潜在表示（latent activations）中需编码后续多个token的信息。

  2. 例如，生成 meiner 时，模型已隐式预判后续的 durstenden 、Seele 、genügen 的语法要求，从而正确选择与格阴性单数形式。

• 训练机制 ：多token预测损失函数要求模型同时预测多个位置，迫使潜在表示包含未来上下文信息。

问题：

为什么多token预测可以对关键点错误施加高权重惩罚？loss不是独立的？为什么损失函数中每个token的权重与其对后续token的影响相关？