小羊驼团队的新研究火了。
他们开发了一种新的解码算法，可以让模型预测100个token数的速度提高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
：GPU利用率都很低。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n个步骤的时间内生成n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、前向解码的动机Jacobi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触发器来减少延迟。
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：
傅奕超以及张昊，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。
tokengpullm大模型llamatransformer顺序依赖性gpt-4looka机器人数据集应用程序gptchathuggingfacetransformerscoding聊天机器人ammurl
