本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

只需給大模型“加點小零件”，推理速度立刻提升2倍！

不需要額外訓練一個模型，也不需要對計算硬件做優化，單張A100最快幾小時就能微調完成。

這項新研究名叫Medusa（美杜莎），來自普林斯頓、UIUC、CMU和康涅狄格大學，FlashAttention作者Tri Dao也在其中。

目前，它已經成功部署到伯克利70億參數的“駱馬”Vicuna中，后續還會支持其他大模型，已經登上GitHub熱榜：

但其實，在這種方法推出之前，業界并非沒有大模型推理加速方法，主流的就是DeepMind推出的投機采樣（speculative decoding）。

相比這種方法，Medusa有什么不一樣的地方？

投機采樣的2個“bug”

要想加速大模型推理，需要先知道究竟是什么“限制”了它的速度。

相比計算量的增加，大模型推理速度更容易受到內存帶寬的影響（memory bound）。

這是因為，大模型由于參數量巨大、遠超緩存容量，因此推理時需要先把權重從外部內存（顯存）讀取一次到緩存中，這個過程受內存帶寬限制，速度通常很慢。

因此，模型做批量推理（batch inference）時，一次處理100個tokens和一個tokens時間上區別不大。

基于這個特點，DeepMind去年11月想出了一個名叫投機采樣的神奇操作——

訓練一個更小的模型（draft模型），給大模型提前生成一批“候選詞”，相比于讓大模型自己“思考”生成，直接做“選擇”就好。

由于小模型生成速度比大模型快好幾倍，一旦大模型覺得小模型已有的詞“可用”，就直接拿來，不用自己再緩慢生成一遍。

這個過程，有點像是輸入法的聯想詞候選，在我們（大模型）想好下一個詞用什么之前，輸入法（小模型）先給列出一些備選項：

要是看到覺得不錯，就從中選一個用；要是覺得生成的都不行，就pass掉自己重新打。

這種投機采樣方法確實取得了顯著成效，甚至能輕輕松松在M2 Ultra上以高精度跑340億參數LLaMA大模型。

BUT，這種方法存在兩個問題。

一方面，給大模型找個生成“候選詞”的draft小模型，沒那么容易。

這個小模型可不是隨便抓個生成模型就能用，除了接口統一、概率分布接近等要求，生成質量也不能比大模型差太多。

對于Meta發布的LLaMA這種模型可能還好，既有幾百億參數的大模型版本，又有幾十億參數的小模型版本，可以把參數量更小的版本拿來當draft模型使用。

但對于其他開源大模型，這種方法就不太適用了，自己去搭建訓練一個小模型，不僅時間成本更高，生成效果可能還不達預期。

另一方面，雙模型的組合，使得后續要想做系統調優變得更復雜。

這是因為，相比于大模型自身是一個系統，新增加的draft模型相當于又引入了一個系統。

這樣會導致模型部署起來更復雜，包括額外的網絡傳輸、不同的硬件條件都需要考慮到，在做計算優化時難度也會進一步提升。

為了解決這些問題，Medusa出現了。

不用小模型，加幾個“頭”就行

Medusa（美杜莎，一種長有多個頭的妖怪）是一種新的大模型推理加速方法。

相比投機采樣，它選擇直接給Transformer大模型多加幾個解碼頭（decoding heads），每個頭都是一個單層前饋網絡。

這幾個多出來的解碼頭，可以讓大模型直接一次多生成幾個詞，而不是“擠牙膏式”一個一個生成。

生成準確率也還可以，在預測“下一個詞的下一個詞”時，Medusa準確率達到了60%，還在不斷優化中。

隨后，結合樹狀注意力機制（tree-based attention mechanism）并行驗證這些詞，從而實現推理加速。

基于Medusa，Vicuna的70億、130億和330億參數大模型推理速度，均有了1.9倍以上的效率提升：

針對70億參數的模型，研究者們還在不同任務上測試了一下加速效果，顯示最高在代碼生成上有2.15倍的速度提升。

最關鍵的是，用上Medusa后，并不需要將整個大模型重新訓練一遍。

相比之下，它可以和大模型一起訓練，只需要凍結大模型的參數就行，甚至單個GPU就能搞定。

由于不增加額外的模型，對于分布式推理也很友好。

作者介紹

這項研究有兩位共同一作。

共同一作蔡天樂，普林斯頓大學博士生，研究方向包括優化、表示學習、架構設計等，本科畢業于北京大學數學科學學院，獲得應用數學和計算機科學雙學位。

共同一作Yuhong (Jesse) Li，伊利諾伊大學香檳分校（UIUC）博士生，研究方向是高效機器學習，本科畢業于北京郵電大學。

此外，這項研究也有FlashAttention作者、斯坦福博士Tri Dao的參與。

FlashAttention是一種能加快注意力并減少內存占用的方法，相比PyTorch標準注意力實現，最高能提速9倍。

GitHub地址：https://github.com/FasterDecoding/Medusa

研究地址：https://sites.google.com/view/medusa-llm