專攻代碼的Code Llama一出，大家伙都盼著誰(shuí)來(lái)后續(xù)量化瘦身一下，好在本地也能運(yùn)行。

果然是llama.cpp作者Georgi Gerganov出手了，但他這回不按套路出牌：

不量化，就用FP16精度也讓34B的Code LLama跑在蘋果電腦上，推理速度超過(guò)每秒20個(gè)token。

圖片

原本需要4個(gè)高端GPU才能搞定的活現(xiàn)在用只有800GB/s帶寬的M2 Ultra就夠了，代碼寫起來(lái)嗖嗖快。

老哥隨后公布了秘訣，答案很簡(jiǎn)單，就是投機(jī)采樣（speculative sampling/decoding）。

圖片

此舉引來(lái)眾多大佬圍觀。

OpenAI創(chuàng)始成員Andrej Karpathy評(píng)價(jià)這是一種非常出色的推理時(shí)優(yōu)化，并給出了更多技術(shù)解讀。

英偉達(dá)科學(xué)家范麟熙也認(rèn)為，這是每個(gè)大模型從業(yè)者都應(yīng)該熟悉的技巧。

圖片

GPT-4也在用的方法

其實(shí)不光想在本地跑大模型的人在用投機(jī)采樣，谷歌OpenAI這樣的超級(jí)巨頭也在用。

根據(jù)之前泄露的資料，GPT-4就用了這個(gè)方法來(lái)降低推理成本，不然根本承受不起這么燒錢。

圖片

而最新爆料表示谷歌DeepMind聯(lián)手開(kāi)發(fā)的下一代大模型Gemini很可能也會(huì)用。

雖然OpenAI的具體方法都保密，但谷歌團(tuán)隊(duì)已經(jīng)把論文發(fā)出來(lái)了，并且入選ICML 2023 Oral。

圖片

方法很簡(jiǎn)單，先訓(xùn)練一個(gè)與大模型近似、更便宜的小模型，讓小模型先生成K個(gè)token，然后讓大模型去做評(píng)判。

大模型接受的部分就可以直接用，大模型不接受的部分再由大模型修改。

在原始論文中使用T5-XXL模型演示，在生成結(jié)果不變的情況下獲得了2-3倍的推理加速。

圖片

Andjrey Karpathy把這個(gè)方法比喻成“先讓小模型打草稿”。

他解釋這個(gè)方法有效的關(guān)鍵之處在于，給大模型一次輸入一個(gè)token和一次輸入一批token，預(yù)測(cè)下一個(gè)token所需時(shí)間是差不多的。

但每一個(gè)token都依賴前一個(gè)token，所以正常情況無(wú)法一次對(duì)多個(gè)token進(jìn)行采樣。

小模型雖然能力較差，但實(shí)際生成一個(gè)句子時(shí)有很多部分是非常簡(jiǎn)單的，小模型也能勝任，只有遇到困難的部分再讓大模型上就好了。

原論文認(rèn)為，這樣做無(wú)需改變大模型的結(jié)構(gòu)，也無(wú)需重新訓(xùn)練，就可以直接加速已有的現(xiàn)成模型。

對(duì)于不會(huì)降低精度這一點(diǎn)，在論文附錄部分也給出了數(shù)學(xué)論證。

圖片

了解了原理，再來(lái)看Georgi Gerganov這次的具體設(shè)置。

他使用4bit量化的7B模型作為“草稿”模型，每秒約能生成80個(gè)token。

而FP16精度的34B模型單獨(dú)使用每秒只能生成10個(gè)token。

使用投機(jī)采樣方法后獲得了2倍的加速，與原論文數(shù)據(jù)相符。

圖片

他額外表示，速度可能會(huì)根據(jù)生成的內(nèi)容而有所不同，但在代碼生成上非常有效，草稿模型能猜對(duì)大多數(shù)token。

圖片

最后，他還建議Meta以后在發(fā)布模型時(shí)直接把小的草稿模型附帶上吧，受到大伙好評(píng)。

圖片

作者已創(chuàng)業(yè)

作者Georgi Gerganov，今年三月LlaMA剛出一代的時(shí)候就移植到了C++上，開(kāi)源項(xiàng)目llama.cpp獲星已接近4萬(wàn)。

圖片

最開(kāi)始他搞這個(gè)只是當(dāng)成一個(gè)業(yè)余興趣，但因?yàn)榉错憻崃遥?月份他直接宣布創(chuàng)業(yè)。

新公司ggml.ai，主打llama.cpp背后的C語(yǔ)言機(jī)器學(xué)習(xí)框架，致力于在邊緣設(shè)備上運(yùn)行AI。

圖片

創(chuàng)業(yè)時(shí)獲得來(lái)自GitHub前CEONat Friedman、Y Combinator合伙人Daniel Gross的種子前投資。

LlaMA2發(fā)布后他也很活躍，最狠的一次直接把大模型塞進(jìn)了瀏覽器里。

圖片

谷歌投機(jī)采樣論文：https://arxiv.org/abs/2211.17192

參考鏈接：[1]https://x.com/ggerganov/status/1697262700165013689[2]https://x.com/karpathy/status/1697318534555336961