KeyFrame內部研究專用

DeepSeek's New Trick Makes LLMs 85% Faster

Prompt Engineering11 min英文
觀看原始影片

三句話摘要

DeepSeq 發布的 DS PARC 推測解碼技術如何在不重新訓練模型的前提下實現 50-400% 的推理加速。 推測解碼通過輕量級草稿模型與智能驗證策略,在不改動模型權重的前提下實現 50-400% 推理加速,是生產級推理優化的高性價比方案。 解決解碼階段的內存瓶頸。傳統語言模型逐次生成令牌導致 GPU 等待成為主要開銷;DS PARC 讓小型模型在單次前向傳遞中猜測多個令牌,大型模型也在一次前向傳遞中驗證整個塊,大幅減少前向傳遞次數。

重點整理

  1. 解決解碼階段的內存瓶頸。傳統語言模型逐次生成令牌導致 GPU 等待成為主要開銷;DS PARC 讓小型模型在單次前向傳遞中猜測多個令牌,大型模型也在一次前向傳遞中驗證整個塊,大幅減少前向傳遞次數。

  2. 半自迴歸設計克服先前方法的兩大問題。自迴歸模型(如 Eagle 3)精確但速度慢,並行模型(如 Dragonfly Flash)雖快但存在"尾部漂移"——後續令牌相互忽視導致錯誤率升高;DS PARC 加入輕量級串行頭讓各令牌能看到前驅令牌,既保持並行效率又消除漂移,接受長度比 Eagle 3 增加 30%、比 Dragonfly Flash 增加 16-18%。

  3. 置信度調度驗證針對生產環境優化。系統評估每個令牌的存活概率,伺服器負載輕時驗證整個塊,負載重時僅驗證高置信度前綴,避免浪費計算資源在必然被拒絕的令牌上。

  4. 完全開源的模型無關插件。DS PARC 是可附加到任何模型架構的輕量級頭,無需修改原始模型,已驗證支持 Qwen 和 Gemma 等開源模型,降低部署門檻。

實用技巧與重點

  • 推理加速幅度:50-400%(不需重新訓練或量化)
  • 生產環保境改善:令牌延遲降低 57-85%(相同總吞吐量下)
  • 塊長度增長:比 Eagle 3 提升約 30%;比 Dragonfly Flash 提升 16-18%
  • 支持的模型:Claude Opus Flash、Claude Opus Pro、Qwen、Gemma
  • 關鍵公式:單位令牌時間 = (草稿時間 + 驗證時間) / 每輪接受的令牌數
  • 可優化的三個維度:(1) 降低草稿模型延遲;(2) 提高草稿品質以增加單輪接受數;(3) 減少驗證時間
  • 開源代碼庫:DeepSpecs(包含訓練代碼和草稿模型檢查點)
  • 先前方法的局限:自迴歸模型(Eagle 3)、並行模型(Dragonfly Flash)的尾部漂移問題

結論

推測解碼通過輕量級草稿模型與智能驗證策略,在不改動模型權重的前提下實現 50-400% 推理加速,是生產級推理優化的高性價比方案。

完整解析

大型語言模型的推理過程長期面臨效能瓶頸。傳統方式下模型逐次生成令牌——稱為"下一個令牌預測器"——生成六個令牌的句子需要六次前向傳遞。這導致延遲隨生成長度線性增長。更關鍵的問題在於解碼階段本質上是內存受限的:GPU 主要耗時在等待下一個令牌生成,即使面對長序列也無法充分利用計算能力。

DeepSeq 的 DS PARC 技術通過引入小型快速草稿模型來根本性解決此問題。基本原理是:小型模型在單次前向傳遞中猜測多個令牌塊(如六個令牌),隨後大型目標模型也在單次前向傳遞中驗證整個塊。若所有令牌都被驗證正確就全部保留;若某位置出錯,模型保留正確前綴後停止,由大型模型補充該位置。最終輸出與單獨使用大型模型完全相同,實現了無損加速。單位令牌的處理時間受三個因素影響:草稿時間、驗證時間與單輪接受的令牌數。優化空間包括選擇更快的草稿模型、提高草稿品質以增加單輪接受數、減少驗證開銷。

先前的推測解碼方法存在關鍵局限。自迴歸草稿模型(如 Eagle 3)須逐次處理令牌導致速度慢且易卡在小塊;並行草稿模型(如 Dragonfly Flash)雖然快速但會產生"尾部漂移"——後續位置的令牌相互忽視導致錯誤率升高。DS PARC 的創新在於採用"半自迴歸"設計:保持重型草稿主幹的完全並行特性以維持速度,但在其上疊加輕量級串行頭,讓每個令牌能觀察其前驅令牌。這直接解決尾部漂移問題,使 DS PARC 能接受比 Eagle 3 長 30% 的塊、比 Dragonfly Flash 長 16-18% 的塊。

為適應生產環境需求,DS PARC 加入置信度評分機制,預測哪些令牌會被驗證通過。系統根據伺服器負載動態調整:負載輕時驗證整個塊,負載重時僅驗證高置信度前綴,剩餘令牌跳過。這確保計算資源優先分配給真實用戶請求。DS PARC 並非單純研究論文,已在 Claude Opus Flash 和 Claude Opus Pro 的生產系統中部署。實測數據顯示在相同總吞吐量下,用戶獲取單個令牌的延遲降低 57-85%,且無需額外硬體投入。技術完全開源發布,以輕量級插件頭的形式實現,可無縫附加到任何模型架構而無需修改原始結構,已驗證支持 Qwen 和 Gemma 等開源模型。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。