Andrej Karpathy 用通俗易懂的語言介紹了 speculative execution。

「如今，LLM（大語言模型）并不是單點突破的 —— 而是需要多個重要組件有效協(xié)同工作的系統(tǒng)。Speculative decoding 是幫助我們從系統(tǒng)角度思考的一個很好的例子。」愛丁堡大學博士生符堯表示道。

符堯上述觀點評論的是特斯拉前 AI 總監(jiān)、年初重回 OpenAI 的 Andrej Karpathy 剛剛發(fā)布的一條推特。

人形機器人公司 1X Technologies 的 AI 副總裁 Eric Jang 評價道：「Karpathy 很好的解釋了 LLM 的 speculative execution。其他自回歸模型可能會以類似的方式加速。連續(xù)（擴散）模型可能從 K 步中獲益較少（可能在第 1 步后偏離猜測），但可以將其應用于 VQ-latents 的離散代碼。」

看完上述評價，我們大概也了解了，Karpathy 說的「Speculative execution」，這是優(yōu)化技術(shù)的一類，采用這個技術(shù)的計算機系統(tǒng)會根據(jù)現(xiàn)有信息，利用空轉(zhuǎn)時間提前執(zhí)行一些將來可能用得上，也可能用不上的指令。如果指令執(zhí)行完成后發(fā)現(xiàn)用不上，系統(tǒng)會拋棄計算結(jié)果，并回退執(zhí)行期間造成的副作用（如緩存）。

為了讓大家更好的理解 Karpathy 的內(nèi)容。我們先介紹一下「Speculative decoding」方法，對后續(xù)理解更加有益，其主要用于加速大模型的推理。據(jù)了解，GPT-4 泄密報告也提到了 OpenAI 線上模型推理使用了它（不確定是否 100%）。

關(guān)于「Speculative decoding」，已有幾篇重要文獻可供參考，這也是 Karpathy 為了寫這則推特所參考的論文，包括谷歌今年 1 月發(fā)表的論文《Fast Inference from Transformers via Speculative Decoding》、DeepMind 今年 2 月發(fā)表的論文《Accelerating Large Language Model Decoding with Speculative Sampling》，以及谷歌等機構(gòu) 2018 年的論文《Blockwise Parallel Decoding for Deep Autoregressive Models 》 。

簡單來說，「Speculative decoding」使用兩個模型：一個是原始目標模型稱為大模型，另一個是比原始模型小得多的近似模型稱為小模型。主要思想是先讓小模型提前解碼多個 token 進行猜測，并將它們作為單個 batch 輸入到一個大模型中進行審核修正，其效果和直接用大模型解碼等價。如果小模型猜測的不準確，那么大型模型會放棄小模型預測的 token，繼續(xù)使用大型模型進行解碼。

由于小模型計算量小，從而大大減少了內(nèi)存訪問需求。

介紹完「Speculative decoding」，我們再回到 Karpathy 的推特。Karpathy 是針對下面內(nèi)容回復的。

Karpathy 表示：對于 LLM 來說，「Speculative execution」 是一種極好的推理 — 時間優(yōu)化方法。

它取決于以下方面：在單個輸入 token 上分發(fā) LLM 所花費的時間與在批處理中分發(fā) K 個輸入 token 所花費的時間一樣多。產(chǎn)生這樣的原因是因為采樣嚴重受內(nèi)存限制：模型運行時的大部分工作不是在做計算，而是從 VRAM 讀取 transformer 的權(quán)重到片上緩存進行處理。如果你要做的工作是來讀取這些權(quán)值，你可以把它們應用到一整批輸入向量上。

但是我們不能一次性采樣一批 K 個 token，因為每 N 個 token 都取決于我們在第 N-1 步采樣的 token。由于存在串行依賴性，因此基線實現(xiàn)只是從左到右逐一進行。

現(xiàn)在最聰明的想法是使用一個小而便宜的草稿模型（draft model），先生成 K 個 token 候選序列，即一個「草稿」。然后用大模型批量的將輸入組合在一起。速度幾乎與僅輸入一個 token 一樣快。接著從左到右遍歷模型和樣本 token 預測的 logits。任何與「草稿」一致的樣本都允許立即跳到下一個 token。如果存在分歧，那么就丟棄「草稿」并承擔一些一次性工作的成本（對「草稿」進行采樣并為所有后續(xù) token 進行前向傳遞）。

這種方法起作用的原因在于，很多「草稿」token 都會被接受，因為它們很容易，所以即使是更小的草稿模型也能得到它們。當這些簡單的 token 被接受時，我們會跳過這些部分。大模型不同意的 hard token 會回落到原始速度，但由于一些額外的工作，實際上速度會慢一些。

Karpathy 表示，這個奇怪的技巧之所以有效，是因為 LLM 在推理時受到內(nèi)存限制，在對單個序列進行采樣的 batch size=1 設(shè)置中，很大一部分本地 LLM 用例都屬于這種情況。因為大多數(shù) token 都很「簡單」。