編者按： 在實時人工智能應用場景中，大語言模型的推理速度直接影響用戶體驗。傳統模型通過逐詞元預測（next-token prediction）生成文本，每次僅預測一個詞元的方式導致長文本生成耗時較長。這種延遲在對話系統和內容創作平臺中尤為明顯，已成為阻礙用戶沉浸體驗的主要障礙。

本文深入探討了 DeepSeek-V3 模型的多詞元預測技術（Multi-Token Prediction, MTP）。與現有方法（如獨立預測多個詞元導致邏輯斷裂）不同，DeepSeek 創新性地通過模塊間的表征依賴關系，在訓練時保持詞元預測的完整因果鏈，從而生成高質量連貫文本。此外，該技術可與推測解碼（speculative decoding）結合，在推理時，MTP module 并行生成草稿詞元，main model 通過單次前向傳播驗證并修正，憑借 85%-90% 的高接受率實現 1.8 倍的推理加速。

作者 | Shirley Li

編譯 | 岳揚

這是 DeepSeek-V3 系列的第四篇文章，將解釋 DeepSeek [1,2]模型的最后一個重要架構創新：多詞元預測（multi-token prediction）。

在前幾篇文章中，我們闡述了 DeepSeek 如何通過巧妙的設計，在矛盾的優化目標之間找到折中方案，既不過度偏向某一目標，又能保持整體效果：

• 多頭潛在注意力（Multi-head Latent Attention）在解碼過程中優化內存效率，同時保持模型性能。
• DeepSeekMoE 在混合專家模型（MoE）架構中平衡 knowledge sharing 與 expert specialization。
• 無輔助損失函數的負載均衡（Auxiliary-Loss-Free Load Balancing）在不影響主要訓練目標的情況下實現有效的負載均衡。

本文將探討 DeepSeek 如何在文本生成的效率與質量之間實現又一重要平衡。

本文目錄：

• 技術背景：介紹大語言模型解碼過程的基本原理，特別是 next-token prediction 機制及其局限性。同時回顧多詞元預測（MTP）的相關研究，探討其設計選擇與優劣。
• DeepSeek 的多詞元預測：解釋其工作原理，并重點討論與先前研究不同的設計選擇。此外還將介紹如何將 DeepSeek 的 MTP 策略與推測解碼（speculative decoding）結合以加快推理速度。
• 評估：分析 MTP 對訓練性能和推理效率的雙重影響。
• 總結
• 參考文獻

01 技術背景

要理解 DeepSeek 的多詞元預測（multi-token prediction），我們首先需要仔細了解大語言模型（LLMs）如何生成文本。

1.1 Next-Token Prediction

LLMs 通常通過自回歸（autoregressive）的方式生成文本，即在給定歷史 tokens 序列的前提下，通過逐 token 預測下一個最可能的 token 來生成文本。

例如，給定文本 "The cat sat"，其分詞結果可能為：

"The cat sat"->["The","cat","sat"]

每個 token 都有一個與它在詞匯表中的索引相對應的 token id，并將通過該索引在嵌入矩陣（embedding matrix）中查詢對應的稠密向量，并與位置編碼（positional encoding）相加后輸入模型：

Emb("The") = vector("The") + PositionalEncoding(1)
Emb("cat") = vector("cat") + PositionalEncoding(2)
Emb("sat") = vector("sat") + PositionalEncoding(3)

經過 LLM 的 Transformer 層處理后，最后一層通過線性投影將嵌入向量映射回詞匯表空間，再通過 Softmax 輸出詞匯的概率分布。以上述簡單示例為例，最高概率的 token 可能是：

P("on") = 0.7
P("under") = 0.3
...

因此，模型會選擇最有可能的 token "on"，生成結果變為：

"The cat sat on"

這一逐詞元生成的過程將持續至達到最大生成長度或遇到終止符（EOS）為止。 由于每一步僅生成單個 token，該機制被稱為 next-token prediction，其定義為：

其中：

• t 表示第 t 個時間步
• x_{t:1} 表示歷史詞元序列 x_1 至 x_t3
• x_{t+1} 是未來的下一個詞元（token）

從建模的角度看，Next-token prediction 似乎很自然，但存在以下局限：

• 無法并行化：需按序列逐詞元處理，無法并行計算。
• 計算效率低：每次預測都需要一次完整的前向傳播，導致訓練和推理效率低下（尤其是實時長文本生成場景）。

為解決這些問題，多詞元預測（multi-token prediction） 應運而生。

1.2 先前的多詞元預測方法

在文獻[3]中，作者將 next-token prediction 擴展為一種多詞元預測機制：

其中，給定相同的輸入序列，模型將通過單次前向傳播生成從 x_{t+1} 到 x_{t+n} 的 n 個 tokens。

請注意，這并不意味著在單個 Softmax 輸出的概率分布上同時選擇 n 個 tokens，因為 Softmax 不支持從單個概率分布中同時選擇多個 tokens。

這是因為 Softmax 是為分類分布（categorical distributions）設計的，其建模的是多個互斥選項中單個離散事件的概率。因此，Softmax 在每個時間步（time step）只能生成單個 token，要預測多個 tokens 需要多個 Softmax 層，每層專門負責生成獨立的 token。

因此，上述多詞元預測的損失函數將首先被分解為多個單詞元（token）預測操作頭，然后每個單詞元（token）預測頭會運行獨立的 Softmax 來選擇對應詞元。

更具體地說，我們引入了中間潛在表征（intermediate latent representation）z_{t:1} 來表示大語言模型中的隱藏表征，如下列公式所示：

作者根據文獻 [3] 中的公式創建的圖像

這種方式將輸入序列 x_{t:1} 與輸出序列解耦，使模型能夠通過單次前向傳播將 x_{t:1} 編碼為 z_{t:1}，并在后續所有生成過程中重復使用該表征。

隨后，x_{t+n:t+1} 與 z_{t:1} 之間的條件概率會被進一步分解為 n 個獨立的單步條件概率（如用藍色標注的內容所示），每個條件概率代表一個單詞元生成步驟：

作者根據文獻 [3] 中的公式創建的圖像

在文獻[3]中，這一過程通過以下公式實現：

作者根據文獻 [3] 中的公式創建的圖像

其架構如下圖所示，包含：

• 一個共享的 Transformer f_s，通過單次前向傳播將 x_{t:1} 編碼為 z_{t:1}。
• n 個獨立的輸出頭 f_{h_i}（以 Transformer 層實現），將中間隱藏表征 z_{t:1} 映射到 x_{t+i}。特別是，第一個頭（當 i==1 時）的輸出可視為下一詞元預測頭。
• 一個共享的解嵌入矩陣 f_u，用于將 x 映射到詞表大小的維度，最后通過應用 Softmax 獲得各個詞元的概率。

圖 1. 文獻[3]中的多詞元預測架構。該圖來自文獻[3]

現在，讓我們來深入了解這一架構，特別是共享組件與獨立組件背后的設計考量：

• 共享的 f_s：如前文所述，這種方式只需單次前向傳播即可獲得 z_{t:1}，從而生成 n 個詞元，相比傳統的 next-token prediction 具有更高的計算效率。
• 共享的解嵌入矩陣 f_u：由于解嵌入矩陣非常大，維度數量為 d×V（d 為隱藏層維度，V 為詞表大小，通常為 5 萬~ 20 萬），共享參數能大大減少參數量且對性能的影響有限。
• 獨立的輸出頭：這是這一架構中唯一獨立的部分。如前文所述，每個詞元都需要一個獨立 Softmax，因此無法共享所有組件。

使用獨立的輸出頭能夠使得 n 個詞元的生成過程相互解耦。一方面，這種設計支持并行生成詞元，可以提升訓練效率；但另一方面，獨立生成詞元可能導致輸出缺乏連貫性或一致性。此外，模型可能會出現模式奔潰（mode collapse），傾向于生成通用的、高頻的詞匯，而非細致的響應，從而降低輸出的多樣性和豐富性。

在下一節，我們將看到 DeepSeek 的多詞元預測技術如何解決這個問題。

02 DeepSeek 的多詞元預測技術

如前文所述，文獻[3]中的多詞元預測方法會獨立生成 n 個詞元，可能導致輸出不連貫甚至模式崩潰（mode collapse）。 為了解決這個問題，DeepSeek 通過保持每個詞元預測的完整因果鏈來實現多詞元預測，如下圖所示：

圖 2. DeepSeek 中的多詞元預測架構。圖片來自文獻[2]

上圖展示了三個生成步驟，分別稱為 main model、MTP module 1 和 MTP module 2。

main model 的架構與我們在文獻[3]中看到的架構高度相似，同樣包含三個核心組件：

• 一個共享的嵌入層（embedding layer）
• 一個獨立的 Transformer block
• 一個共享的線性輸出頭（shared linear output head），其功能類似于文獻[3]中的解嵌入矩陣（unembedding matrix）

但從 MTP module 1 開始，差異就變得明顯了：因為 Transformer block 的輸入依賴于前一個詞元的表征。

更具體地說，第 i 個 token 的 Transformer 輸入如下：

其中：

• k 是 MTP module 的索引。
• h^{k-1}_{i} 是來自上一步的表征。
• Emb(t_{i+k}) 是第 (i+k) 個詞元（token）的嵌入層輸出。
• RMSNorm 算子對兩個表征向量進行歸一化處理，使它們的數值更具可比性，并允許將它們拼接起來。隨后通過拼接算子[·;·]生成 2d 維度的表征。
• 最終通過線性投影矩陣 M_k 將維度從 2d 映射回 d，供 Transformer block 使用。

在 MTP modules 間引入依賴關系破壞了文獻[3]中的并行性，但也使文本生成更加連貫，更適合對話和推理等場景。

DeepSeek 模型中，多詞元預測主要用于訓練階段，每個 MTP module 均應用交叉熵損失函數，如下圖所示：

其中 t_{i} 表示第 i 個位置的真實詞元（ground-truth token），而 p^{k}_{i}[t_i] 則是第 k 個 MTP module 對 t_i 的預測概率。

然后，所有 MTP module 的損失值會被整合為一個額外附加的訓練目標：

在推理階段，所有 MTP module 都會被丟棄，僅保留 main model 進行詞元預測。但文獻[2]的作者也提到他們的 MTP 技術可與推測解碼（speculative decoding）結合，以加快推理速度。

那么，這是如何實現的呢？

2.1 推測解碼（speculative decoding）

推測解碼（speculative decoding）是一種通過先打草稿后驗證的范式加速自回歸生成過程的技術[4, 5]：首先并行生成多個候選詞元，然后用原始自回歸（AR）模型驗證或修正這些詞元，如下圖所示：

圖 3. 推測解碼技術的先打草稿后驗證流程。圖片來自文獻[5]

具體而言，推測解碼包含兩個階段：

• 并行生成草稿（Parallel drafting）：不再使用原始 AR 模型逐詞元（token）生成，而是通過推測解碼并行生成候選詞元。
• 批量進行驗證（Batch verification）：通過單次前向傳播，用原始 AR 模型驗證草稿詞元，并根據需要接受或修正它們。

由于草稿詞元可能被接受，也可能被拒絕，因此實際的加速效果主要取決于接受率：

• 理想情況下，所有草稿詞元（K 個）均被接受，模型可通過單次前向傳播前進 K 步，實現 K 倍加速。
• 如果部分草稿詞元被拒絕，生成過程仍然可以從部分加速效果中收益，因為僅需重新生成被拒絕的詞元，而非整個序列。

換言之，更高的接受率可帶來更明顯的加速效果。下一節我們將深入探討 DeepSeek 如何在推理中應用此技術。

03 Evaluation

在文獻[2]中，作者評估了其多詞元預測策略對訓練和推理階段的影響。

3.1 訓練性能影響

為驗證多詞元預測策略是否能提升模型訓練效果，文獻[2]的作者在兩個不同規模的 MoE 模型上進行了實驗：

• 15.7B 的較小規模模型（激活參數 2.4B，下表中用藍色標注）
• 228.7B 的較大規模模型（激活參數 20.9B，下表中用綠色標注）

圖 4. 多詞元預測對訓練性能的影響。作者基于文獻[2]中的表格繪制

在這兩種模型上，作者對比了原始模型與添加 MTP module 的變體模型的性能（其余配置保持一致）。在本實驗中，MTP module 在推理時被完全丟棄，因此推理時間無差異。

根據上表結果，兩種規模的模型加入 MTP module 后，在多項任務上均表現更優，證明了該策略的有效性。

3.2 推理效率影響

如前文所述，MTP module 在推理階段可與推測解碼（speculative decoding）結合，以加速推理過程，而非在推理時完全丟棄它們。

在文獻 [2] 中，作者嘗試通過 MTP 技術預測未來的 2 個詞元（token），并將其與推測解碼相結合，結果發現第二個詞元預測的接受率約為 85%~90%，這表明其 MTP 策略的生成質量穩定可靠。

更重要的是，憑借高接受率，MTP 與推測解碼相結合可實現每秒生成詞元數（TPS）1.8 倍的推理加速。

04 Summary

本文探討了 DeepSeek 的另一項關鍵架構創新——多詞元預測（multi-token prediction），解析其如何在文本生成中平衡生成效率與生成質量。

MTP 和以下這些架構創新共同構成了 DeepSeek 模型的基礎，使其既高效又強大：

• 多頭潛在注意力（Multi-head Latent Attention）在解碼過程中優化內存效率，同時保持模型性能。
• DeepSeekMoE 在混合專家模型（MoE）架構中平衡 knowledge sharing 與 expert specialization。
• 無輔助損失函數的負載均衡（Auxiliary-Loss-Free Load Balancing）在不影響主要訓練目標的情況下實現有效的負載均衡。

核心啟示：

• 大語言模型的訓練仍存在諸多未決問題，新技術的引入常伴隨非預期的副作用
• 要應對這些挑戰，既需要對現象進行透徹分析，也需要對內部機制有深刻理解。
• 解決方案不必復雜 —— 簡單的策略有時能帶來驚人的效果

至此，我們已完成對 DeepSeek 架構創新的探討。下一篇文章將深入其訓練策略，解析預訓練、微調與對齊階段的關鍵設計選擇。

參考文獻

[1] DeepSeek（??https://www.deepseek.com/）??

[2] DeepSeek-V3 Technical Report（??https://github.com/deepseek-ai/DeepSeek-V3/blob/main/DeepSeek_V3.pdf）??

[3] Better & Faster Large Language Models via Multi-token Prediction（??https://arxiv.org/abs/2404.19737）??

[4] Fast Inference from Transformers via Speculative Decoding（??https://arxiv.org/pdf/2211.17192）??

[5] Speculative Decoding: Exploiting Speculative Execution for Accelerating Seq2seq Generation（??https://arxiv.org/pdf/2203.16487）??

Thanks for reading!

Hope you have enjoyed and learned new things from this blog!

About the author

Shirley Li

I am a Machine Learning Engineer working on building multi-modality models to solve real-world problems.

END

本期互動內容 ??

?你在使用 AI 工具時，最在意的是響應速度還是輸出質量？為什么？

原文鏈接：

??https://medium.com/data-science-collective/deepseek-explained-4-multi-token-prediction-33f11fe2b868??