2024年1月16日Arxiv热门NLP大模型论文：Multi-Candidate Speculative Decoding

本文主要是介绍2024年1月16日Arxiv热门NLP大模型论文：Multi-Candidate Speculative Decoding，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

大幅提速NLP任务，无需牺牲准确性！南京大学提出新算法，大幅提升AI文本生成效率飞跃

引言：探索大型语言模型的高效文本生成

在自然语言处理（NLP）的领域中，大型语言模型（LLMs）已经证明了它们在各种任务上的卓越能力，从语言理解到文本生成，再到跨多种NLP任务和开放领域的泛化能力。然而，这些模型在自回归地生成文本时往往耗时较长。为了加快它们的速度，研究者们提出了一种名为“推测性解码”（speculative decoding）的策略，该策略通过快速草稿模型生成候选段落（一系列令牌），然后由目标模型并行验证。尽管这种方法在提高大型自回归模型的端到端延迟方面非常有效，但候选令牌的接受率受到多种因素的限制，包括模型、数据集和解码设置。本文将探讨一种新策略，即通过从草稿模型中采样多个候选项，然后将它们批量组织起来进行验证，以提高大型语言模型的效率。

声明：本期论文解读非人类撰写，全文由赛博马良「AI论文解读达人」 智能体自主完成，经人工审核后发布。

智能体传送门：赛博马良-AI论文解读达人

神奇口令： 小瑶读者 （前100位有效）

论文概览：提升大型语言模型效率的新策略

1. 论文标题、作者、机构和链接

论文标题：Multi-Candidate Speculative Decoding
作者：Sen Yang, Shujian Huang, Xinyu Dai, Jiajun Chen
机构：National Key Laboratory for Novel Software Technology, Nanjing University
链接：https://arxiv.org/pdf/2401.06706.pdf

2. 大型语言模型的挑战与现有解决方案

大型语言模型如GPT系列和LLaMA在NLP任务中展现出了卓越的能力，但它们在生成文本时的高延迟和计算开销成为了部署LLM服务的一大障碍。目前流行的基于Transformer的LLMs通常采用自回归范式生成文本，这需要模型多次迭代解码单个文本片段，进一步加剧了延迟问题。为了解决这一问题，研究者们提出了推测性解码（SD），它通过一个比目标模型小得多的额外草稿模型以低计算成本生成几个候选令牌，然后在目标模型上并行验证这些候选项。

SD的主要目的是通过在验证阶段接受尽可能多的令牌来最小化对目标模型的调用。因此，加速性能在很大程度上取决于目标模型接受候选令牌的比率，即在给定上下文下草稿和目标模型输出分布之间的一致性。然而，研究表明，当处理涉及更长提示的复杂任务时，目标和草稿模型之间的分布差异变得更加明显。此外，社区中流行的对LLMs进行额外数据微调以提高其在特定方面的性能的做法，也可能在目标和草稿模型之间引入显著的分布差异，即使它们最初是对齐的。

本工作旨在提高目标模型在验证阶段的接受率。我们的动机是在草稿生成的每个位置采样多个候选令牌。这些候选项被组织成一批，以便在目标模型上并行验证。尽管这种方法直观且简单，但它遇到了一个挑战，即SD无法直接使用多个候选项来提高接受率，同时保持目标模型的输出分布。为了解决这个问题，我们提出了一种多候选验证算法。此外，从草稿模型中采样的多个候选项有可能发生碰撞。因此，我们还引入了一个更高效的无重复采样候选项的版本。

多候选推测解码（MCSD）的核心思想

1. 传统推测解码（SD）的工作流程

传统的推测解码（Speculative Decoding, SD）是一种提高大型自回归语言模型生成文本速度的方法。在SD中，首先由一个较小的草稿模型（draft model）生成一系列候选的词元（tokens），然后这些候选词元并行地被目标模型（target model）验证。验证过程是顺序进行的，从第一个候选词元开始，每个词元都会经过一个推测采样算法来决定是否被接受。如果一个词元被拒绝，后续的验证就会终止，并且算法会返回一个新的词元作为终点。如果所有词元都被接受，目标模型会额外采样一个词元作为终点。因此，这个过程至少生成1个，最多生成γ+1个被接受的词元。

2. MCSD的创新之处

多候选推测解码（Multi-Candidate Speculative Decoding, MCSD）的创新之处在于，它不仅仅在每个位置上生成一个候选词元，而是生成多个候选词元，并将它们组织成批量进行并行验证。这种方法直观上看似乎简单，但它面临的挑战是，传统的推测采样算法不能直接用于多候选词元的验证，同时还要保持目标模型的输出分布。为了解决这个问题，MCSD提出了一种多候选验证算法。此外，由于多候选词元采样可能会有重复，MCSD还引入了一种无替换采样的更高效版本。

多候选推测采样算法

1. 多候选推测采样的挑战

多候选推测采样面临的挑战是如何在不改变目标模型输出分布的前提下，提高候选词元的接受率。传统的推测采样算法在处理多个候选词元时不能直接使用，因为它们是独立同分布的，随着候选词元数量的增加，词元之间的碰撞（即重复）概率增加。一旦一个词元被拒绝，它在剩余分布中的概率就会变为0，因此不会再次被接受。

2. 无替换采样的多候选推测采样算法

为了避免词元碰撞，MCSD采用了无替换采样的方法。在无替换采样中，假设词元序列是顺序从分布q中采样的，即每个词元的采样都考虑到了之前已经采样的词元。MCSD提出了一种新的推测采样算法，并在附录中证明了这种算法能够保持目标模型的输出分布。这种方法类似于从一棵树的根部走到叶节点，每一步都可以从k个分支中选择一条路径，或者提前终止。通过这种方式，MCSD能够在保持输出分布的同时，提高了候选词元的接受率。

树状注意力机制的引入

1. 传统注意力机制的局限

在自然语言处理（NLP）领域，大型语言模型（LLMs）如GPT系列和LLaMA展现了卓越的语言理解和生成能力。然而，这些模型在生成文本时通常采用自回归方式，需要多次迭代解码单个文本，导致较高的延迟。为了加快生成速度，研究者提出了推测性解码（speculative decoding, SD），该方法使用一个快速的草稿模型生成候选片段，然后由目标模型并行验证。尽管SD在提升端到端延迟方面有效，但候选令牌的接受率受到模型、数据集和解码设置等多个因素的限制。

2. 树状注意力机制的优势

为了提高目标模型在验证阶段的接受率，本文提出了多候选推测性解码（multi-candidate speculative decoding, MCSD）。MCSD的核心思想是在草稿生成阶段对每个位置采样多个候选令牌，并将这些候选令牌组织成批量进行并行验证。这种方法虽直观，但面临一个挑战：如何在保持目标模型输出分布的同时，利用多个候选令牌提高接受率。为此，我们提出了一种多候选验证算法，并引入了树状注意力（Tree Attention）机制，以减少由于缓存复制而产生的通信开销。树状注意力机制通过设计精巧的注意力掩码，允许多个候选序列共享生成令牌的缓存，同时防止候选之间的信息污染，保持令牌之间的因果关系。这种机制使得在单个序列中并行处理多个候选成为可能，从而在增加了极少的计算开销的同时，显著减少了通信开销。

实验设置与效率评估

1. 模型与数据集的选择

实验基于公开可用的LLaMA套件及其经过指令数据微调的版本Vicuna进行评估。选择了13B和33B版本的模型作为目标模型，而作为快速草稿生成的小模型，采用了LLaMA-68M和LLaMA-160M。在数据集方面，我们使用了对话数据集Alpaca和翻译数据集WMT EnDe进行评估，这两个数据集在之前的研究中已被用于评估LLM的解码加速。

2. 接受率和块效率的定义

接受率（α）用于评估候选令牌在每一步被接受的概率，基本上反映了草稿模型和目标模型之间的分布一致性。块效率（τ）作为每个块生成的预期令牌数量的常用度量，其在最坏情况下为1（至少返回一个作为端点的令牌），如果所有候选令牌都被接受，则目标模型在末尾追加一个额外的令牌，因此τ = γ + 1。在实际部署中，调用草稿模型和执行我们的算法会产生额外的开销，因此我们除了块效率外，还报告了平均墙钟速度提升。

接受率提升的实验结果

1. 不同因素对接受率的影响

实验结果表明，接受率受多种因素影响，包括模型、数据集和解码设置。在未经微调的目标模型（如LLaMA）上，如果使用argmax采样在Alpaca数据集上进行推理，草稿模型生成的候选项具有较高的接受率。然而，对目标模型进行微调（如Vicuna版本的LLaMA）、更换数据集或采样方法都可能导致接受率下降。在大多数情况下，改变目标模型的大小对接受率的影响不大，而增加草稿模型的大小对接受率的提升作用有限。

2. 不同模型和数据集的接受率提升

通过使用LLaMA-68M作为草稿模型，我们观察到随着k值的增加，在不同模型和数据集上接受率都有一致的提升。当k值超过32时，接受率曲线趋于收敛，此时进一步增加k值变得困难且不经济。这些结果证明了我们的方法在提高接受率方面的有效性，即使k值较小。

主要结果：速度提升与块效率

1. 不同超参数配置下的性能

我们的方法在每个步骤中采样多个候选词，假设它们分别为k1, k1, …, kγ，总共生成K = Σγi=1 ki个候选词。这构成了一个巨大的超参数搜索空间。为了效率考虑，我们将总预算K限制在最多32个，ki ∈ {1, 2, 4, 8, 16, 32}。对于我们方法在不同超参数下的性能，请参见第4.4节。对于每种设置，我们报告了我们方法在最佳ks组合下的性能，以及具有相同γ值的SD和最佳γ值的SD的性能。

2. MCSD与传统SD的对比

总体而言，与SD基线相比，我们的方法始终实现了更高的速度提升和块效率，证明了该方法在提高目标模型效率方面的有效性。

方法在不同模型间的泛化能力

1. 微调草稿模型的影响

在探索不同模型间的泛化能力时，微调草稿模型对于提高目标模型的接受率具有显著影响。实验表明，即使在同一套模型内，当处理复杂任务涉及较长提示时，目标和草稿模型之间的分布差异会变得更加明显。此外，通过使用额外数据对大型语言模型（LLMs）进行微调以增强特定方面的性能已成为一种流行做法。然而，微调也可能引入目标和草稿模型之间的显著分布差异，即使它们最初是很好对齐的。

为了改善目标模型在验证阶段的接受率，本研究提出了在草稿生成中对每个位置采样多个候选标记，并将这些候选标记组织成批量进行并行验证。通过这种方法，我们不仅能够显著提高接受率，还能在保持目标模型分布的同时，有效地利用多候选验证算法。在多个数据集和模型上的实验结果表明，我们的方法在接受率上取得了显著改进，一致性地超过了标准的推测性解码（SD）。

2. 不同目标模型的兼容性

我们的方法在不同目标模型间展现出良好的泛化能力。通过将方法应用于LLaMA套件，包括其微调版本Vicuna，以及使用argmax和标准采样，我们的方法在Alpaca和WMT数据集上都取得了显著的接受率提升。此外，我们还将方法扩展到LLaMA2和OPT套件，验证了方法的泛化能力。值得注意的是，通过对草稿模型进行微调，我们可以进一步提高接受率，我们的方法可以叠加在这种微调之上。