Andrej Karpathy：大模型有内存限制，这个妙招挺好用

机器之心报道

编辑：陈萍

Andrej Karpathy 用通俗易懂的语言介绍了 speculative execution。

「如今，LLM（大语言模型）并不是单点突破的 —— 而是需要多个重要组件有效协同工作的系统。Speculative decoding 是帮助我们从系统角度思考的一个很好的例子。」爱丁堡大学博士生符尧表示道。

符尧上述观点评论的是特斯拉前 AI 总监、年初重回 OpenAI 的 Andrej Karpathy 刚刚发布的一条推特。

人形机器人公司 1X Technologies 的 AI 副总裁 Eric Jang 评价道：「Karpathy 很好的解释了 LLM 的 speculative execution。其他自回归模型可能会以类似的方式加速。连续（扩散）模型可能从 K 步中获益较少（可能在第 1 步后偏离猜测），但可以将其应用于 VQ-latents 的离散代码。」

看完上述评价，我们大概也了解了，Karpathy 说的「Speculative execution」，这是优化技术的一类，采用这个技术的计算机系统会根据现有信息，利用空转时间提前执行一些将来可能用得上，也可能用不上的指令。如果指令执行完成后发现用不上，系统会抛弃计算结果，并回退执行期间造成的副作用（如缓存）。

为了让大家更好的理解 Karpathy 的内容。我们先介绍一下「Speculative decoding」方法，对后续理解更加有益，其主要用于加速大模型的推理。据了解，GPT-4 泄密报告也提到了 OpenAI 线上模型推理使用了它（不确定是否 100%）。

关于「Speculative decoding」，已有几篇重要文献可供参考，这也是 Karpathy 为了写这则推特所参考的论文，包括谷歌今年 1 月发表的论文《Fast Inference from Transformers via Speculative Decoding》、DeepMind 今年 2 月发表的论文《Accelerating Large Language Model Decoding with Speculative Sampling》，以及谷歌等机构 2018 年的论文《Blockwise Parallel Decoding for Deep Autoregressive Models 》 。

简单来说，「Speculative decoding」使用两个模型：一个是原始目标模型称为大模型，另一个是比原始模型小得多的近似模型称为小模型。主要思想是先让小模型提前解码多个 token 进行猜测，并将它们作为单个 batch 输入到一个大模型中进行审核修正，其效果和直接用大模型解码等价。如果小模型猜测的不准确，那么大型模型会放弃小模型预测的 token，继续使用大型模型进行解码。

由于小模型计算量小，从而大大减少了内存访问需求。

介绍完「Speculative decoding」，我们再回到 Karpathy 的推特。Karpathy 是针对下面内容回复的。

Karpathy 表示：对于 LLM 来说，「Speculative execution」 是一种极好的推理 — 时间优化方法。

它取决于以下方面：在单个输入 token 上分发 LLM 所花费的时间与在批处理中分发 K 个输入 token 所花费的时间一样多。产生这样的原因是因为采样严重受内存限制：模型运行时的大部分工作不是在做计算，而是从 VRAM 读取 transformer 的权重到片上缓存进行处理。如果你要做的工作是来读取这些权值，你可以把它们应用到一整批输入向量上。

但是我们不能一次性采样一批 K 个 token，因为每 N 个 token 都取决于我们在第 N-1 步采样的 token。由于存在串行依赖性，因此基线实现只是从左到右逐一进行。

现在最聪明的想法是使用一个小而便宜的草稿模型（draft model），先生成 K 个 token 候选序列，即一个「草稿」。然后用大模型批量的将输入组合在一起。速度几乎与仅输入一个 token 一样快。接着从左到右遍历模型和样本 token 预测的 logits。任何与「草稿」一致的样本都允许立即跳到下一个 token。如果存在分歧，那么就丢弃「草稿」并承担一些一次性工作的成本（对「草稿」进行采样并为所有后续 token 进行前向传递）。

这种方法起作用的原因在于，很多「草稿」token 都会被接受，因为它们很容易，所以即使是更小的草稿模型也能得到它们。当这些简单的 token 被接受时，我们会跳过这些部分。大模型不同意的 hard token 会回落到原始速度，但由于一些额外的工作，实际上速度会慢一些。

Karpathy 表示，这个奇怪的技巧之所以有效，是因为 LLM 在推理时受到内存限制，在对单个序列进行采样的 batch size=1 设置中，很大一部分本地 LLM 用例都属于这种情况。因为大多数 token 都很「简单」。

参考链接：https://twitter.com/karpathy/status/1697318534555336961