ICLR 2024：思維框架 原創(chuàng)
本工作旨在減少大型語言模型（LLMs）的端到端生成延遲。高生成延遲的主要原因之一是幾乎所有最先進的LLMs都采用了順序解碼方法。在這項工作中，受到人類思考和寫作過程的啟發(fā)，研究人員提出了思維框架（SoT），它首先指導(dǎo)LLMs生成答案的骨架，然后進行并行API調(diào)用或批處理解碼以并行完成每個骨架點的內(nèi)容。SoT不僅可以顯著加速12個LLMs的速度，而且還可以潛在地提高幾個問題類別的答案質(zhì)量。SoT是對推理效率進行數(shù)據(jù)中心優(yōu)化的初步嘗試，進一步強調(diào)了將LLMs推向更像人類思考的潛力，以提高答案質(zhì)量。
背景
大型語言模型（LLMs）的生成過程很慢。例如，Claude（于2023年7月中旬通過Slack訪問）回答“工作場所沖突解決最有效的策略是什么”問題需要22秒，Vicuna-33B V1.3（基于33B LLaMA模型，本地在一臺NVIDIA A100 GPU上運行）需要43秒。
LLM的慢推理問題有三個主要原因：
- （1）由大型模型大小引起的大內(nèi)存、內(nèi)存訪問和計算量；
- （2）流行的Transformer架構(gòu)中注意力的二次內(nèi)存和計算復(fù)雜度；
- （3）生成過程采用逐個生成標記的順序解碼方法。大量文獻已經(jīng)通過壓縮/重新設(shè)計模型或重新設(shè)計服務(wù)系統(tǒng)和硬件來解決前兩個問題軸線。
能否加速現(xiàn)成的LLMs而不對它們的模型、系統(tǒng)或硬件進行任何更改？研究人員展示了對現(xiàn)成LLMs進行并行解碼的可行性！
方法
這個想法源于反思人類如何回答問題。人類不總是按順序思考問題并寫答案。相反，對于許多類型的問題，我們首先根據(jù)某些協(xié)議和策略導(dǎo)出骨架，然后添加證據(jù)和細節(jié)來完善和闡明每一點。在像提供咨詢、參加考試、寫論文等正式場合，尤其如此。我們能讓LLMs以同樣的方式思考嗎？為此，研究人員提出了思維框架（SoT）。具體來說，如下所示，首先引導(dǎo)LLMs自行導(dǎo)出一個骨架?；诠羌埽琇LMs可以并行完成每個點，從而獲得加速。請注意，SoT可以用于加速具有批處理解碼的開源模型和具有并行API調(diào)用的閉源模型。
（1）骨架階段
SoT首先使用骨架提示模板和原始問題組裝一個骨架請求。骨架提示模板編寫以指導(dǎo)LLMs輸出答案的簡明骨架。然后，從LLMs的骨架響應(yīng)中提取B個點。
骨架提示模板：為了使輸出骨架簡短且格式一致，以提高效率和點提取的便利性，骨架提示模板（1）精確描述任務(wù)，（2）使用兩個簡單的演示，（3）提供部分答案“1.”供LLMs繼續(xù)寫作。研究人員發(fā)現(xiàn)，在大多數(shù)情況下，骨架響應(yīng)都符合期望的格式。因此，可以簡單地使用正則表達式從骨架響應(yīng)中提取點索引和點骨架。
（2）點擴展階段
根據(jù)骨架，研究人員使用點擴展提示模板組裝B個點擴展請求，并讓LLMs并行擴展每個點。對于僅具有API訪問權(quán)限的專有模型，可以發(fā)出多個并行API調(diào)用。對于開源模型，讓模型將點擴展請求作為批處理處理（在點擴展請求的左側(cè)添加填充）。最后，在完成所有點之后，連接點擴展響應(yīng)以獲得最終答案。
點擴展提示模板：點擴展提示模板描述點擴展任務(wù)并提供部分答案。研究人員還提供了“非常簡短地寫”1～2句的指示，以便LLMs保持答案簡明。與骨架提示模板不同，研究人員發(fā)現(xiàn)不需要演示也可以獲得合理的結(jié)果。
具有路由器的SoT（SoT-R）：自適應(yīng)觸發(fā)SoT
SoT進行獨立和并行的點擴展。因此，它不適用于以下類型的問題：（1）需要逐步推理的問題，（2）僅需要非常簡短答案的問題，以及（3）不能獨立解碼以保持連貫性的問題。因此，為了推動SoT的實際應(yīng)用，研究人員探索了僅在合適時自適應(yīng)觸發(fā)SoT的可能性。為實現(xiàn)這一目標，提出了一個路由器模塊，該模塊決定是否應(yīng)用SoT進行用戶請求，并相應(yīng)地調(diào)用SoT或普通解碼。為了實現(xiàn)路由器，研究人員探索了兩種選項：LLM提示作為路由器（無需模型訓(xùn)練），以及在LIMA上進行訓(xùn)練、在Vicuna-80和WizardLM上進行測試的RoBERTa作為路由器。研究人員將整體解決方案命名為帶有路由器的SoT（SoT-R）。
結(jié)果
數(shù)據(jù)集。使用了（1）包含80個問題的Vicuna-80數(shù)據(jù)集，涵蓋編碼、數(shù)學(xué)、寫作、角色扮演等九個類別，以及（2）包含218個問題的WizardLM數(shù)據(jù)集，涵蓋更多類別和不同難度。
模型。對12個最近發(fā)布的模型進行了SoT和SoT-R的測試，包括9個開源模型和3個基于API的模型，如下所示。
效率評估。使用time.time記錄API調(diào)用的延遲，使用torch.cuda.Events記錄本地模型運行的延遲。所有本地模型均使用FastChat - HuggingFace transformer - PyTorch庫堆棧運行，并采用FP16精度。
答案質(zhì)量評估。遵循最近的做法，讓一個LLM判斷比較答案。研究人員使用FastChat和LLMZoo的評估提示，并詢問GPT-4對答案的偏好。
下圖左側(cè)顯示了整體解決方案SoT-R實現(xiàn)的答案質(zhì)量和加速效果。SoT-R可以加速基于API和開源模型的生成。此外，SoT-R還可以改善許多模型的答案質(zhì)量。這是因為SoT中的骨架階段鼓勵LLMs從圍繞問題的多個角度思考，提高了答案的多樣性和相關(guān)性。
對于SoT-R為何有所幫助的一些詳細信息，請參見下圖右側(cè)，該圖顯示SoT-R成功地針對適合的問題類別觸發(fā)SoT，并對其他問題類別進行正常生成，從而保持了這些類別的答案質(zhì)量。
SoT與路由器（SoT-R）在Vicuna-80上與正常生成相比的凈勝率和加速比。凈勝率是SoT-R的答案優(yōu)于或劣于正常生成的問題分數(shù)之差。加速比是正常生成和SoT-R生成的延遲比率。（1.0, 0.0）表示正常生成。在兩個軸上都更高更好。對于大多數(shù)模型來說，SoT-R不僅加速了生成，還提高了答案質(zhì)量。
（上圖）SoT和SoT-R在Vicuna-80上不同問題類別的凈勝率。對于不適合SoT的問題類別，SoT-R學(xué)會了回退到正常生成模式。因此，SoT-R可以保持所有問題類別的良好答案質(zhì)量。
（下圖）SoT和SoT-R在Vicuna-80上不同模型的加速比。SoT-R可以為大多數(shù)模型保持>1的加速比。
問題和展望
引導(dǎo)或提高LLMs的能力
SoT展示了提高答案質(zhì)量的潛力。這是最近研究的一個更廣泛趨勢的一部分，例如CoT、ToT和ReAct等工作，這些工作共同證實了在語言中明確表達思維過程可以引出高質(zhì)量的答案的觀點。這些發(fā)現(xiàn)類似于人類的思維：經(jīng)常記錄逐步推理或思維組織，而不是僅依靠第一直覺或純粹的順序思維來獲得高質(zhì)量的答案。這種有趣的類比促使進一步探索如何從人類的思維過程中汲取經(jīng)驗，以促進更有效和高效的人工智能。
例如，SoT目前忽略了點之間的依賴關(guān)系。一個在概念上更好的方法是將這些點組織成思維圖，其中邊表示依賴關(guān)系，并且每個點的解碼是依賴于其祖先點的內(nèi)容。此外，研究人員預(yù)期需要動態(tài)思維圖，而不是遵循靜態(tài)圖，其中高層思維結(jié)構(gòu)由LLMs自己動態(tài)調(diào)整。這可能將SoT的效率和全局思維優(yōu)勢與邏輯推理和即興思考等方法（例如CoT）的優(yōu)勢結(jié)合起來。
此外，還存在自我改進的訓(xùn)練管道，利用CoT生成的理由來微調(diào)LLMs，從而增強它們的推理能力。同樣，有趣的是調(diào)查來自SoT的更結(jié)構(gòu)化答案如何用于微調(diào)LLMs，以增強它們生成井然有序和全面答案的能力。
不同情景下SoT的效率和開銷
服務(wù)系統(tǒng)通常采用批處理來處理并發(fā)查詢。這引發(fā)了一個擔憂，即SoT是否會由于并行請求而影響服務(wù)吞吐量。(1) 當存在未飽和的并發(fā)查詢數(shù)量時，SoT可以有效地減少延遲并提高GPU利用率。示例場景包括（a）具有單個用戶的邊緣應(yīng)用；（b）在用戶請求未飽和且計算能力未充分利用的時期的集中式服務(wù)。有趣的是根據(jù)系統(tǒng)工作負載研究適當?shù)腟oT觸發(fā)條件。(2) 當存在飽和的并發(fā)查詢數(shù)量時，SoT仍然有助于提高答案質(zhì)量。然而，在這種情況下，重要的是考慮來自SoT的計算開銷。
對于基于API的模型，存在一個顯著的問題，即填充令牌的數(shù)量增加。鑒于許多API收取令牌使用費，SoT可能導(dǎo)致更高的成本。為了解決這個問題，可以調(diào)整并行API請求的數(shù)量（通過在單個API調(diào)用中擴展多個點），或者使用提示調(diào)整來設(shè)計更短的SoT提示。
以數(shù)據(jù)為中心的效率優(yōu)化
雖然以數(shù)據(jù)為中心的工程正在流行中用于提高答案質(zhì)量，但其對推理效率的潛力尚未被充分探索。SoT是第一次嘗試。隨著LLM的能力和LLM生成的數(shù)據(jù)量迅速增長，未來數(shù)據(jù)為中心的技術(shù)可能變得更加有用。期待著更多的探索，以發(fā)掘數(shù)據(jù)為中心的效率優(yōu)化的全部潛力。
譯自（有刪改）：https://sites.google.com/view/sot-llm
本文轉(zhuǎn)載自公眾號AIGC最前線
