70B模型，秒出1000token，換算成字符接近4000！

研究人員將Llama3進行了微調并引入加速算法，和原生版本相比，速度足足快出了快了13倍！

不僅是快，在代碼重寫任務上的表現甚至超越了GPT-4o。

這項成果，來自爆火的AI編程神器Cursor背后團隊anysphere，OpenAI也參與過投資。

要知道在以快著稱的推理加速框架Groq上，70B Llama3的推理速度也不過每秒300多token。

Cursor這樣的速度，可以說是實現了近乎即時的完整代碼文件編輯。

有人直呼好家伙，如果把Cursor魔改后的Llama3放到Groq上，是不是每秒能跑出上萬token了。

更是有人激動地說，在大模型領域，我們正在消除“延時”這一概念。

引入全新推理加速算法

作者此次設計的加速方法，主要是用來解決一種名為“Fast Apply”的任務，即對代碼內容進行快速修改并應用。

首先需要說明的是，雖然說任務最終實現的效果是代碼的局部修改，但是實際操作過程中，輸出并非是只有變化的內容，而是直接全局重寫。

這樣做的原因，是團隊在預先測試后做出的選擇——他們發現，除了Claude-3-Opus，大多數模型在真·局部修改任務上的表現都不理想。

之所以會這樣，主要有以下三個原因：

• 首先是直接重寫時會輸出更多token，使得有更多的前向傳遞來確定正確的解決方案。
• 其次，模型的訓練數據也大部分都是完整代碼，對局部修改相對陌生。
• 此外，大模型糟糕的數學運算也無法保證能在輸出差異時正確處理行號。

（不過作者認為這仍然是一個有潛力的未來研究方向。）

確定了采用全局重寫的方案后，Cursor團隊使用了任務相關的數據對Llama3進行了微調。

所采用的數據有真實編輯數據與合成數據兩大來源，按照1:4的比例進行了混合。

其中合成數據是指用GPT-4生成代碼編輯的建議，然后用其他模型將這些建議“應用”到原始代碼上。

為了提高數據集的質量，作者還對小文件、重復文件和無變化樣本進行了下采樣。

為了評估這些模型的表現，作者讓它們處理了450個代碼編輯任務（每個都不超過400行），并用Claude3-Opus對輸出進行了打分。

最終，作者微調出的70B Llama3模型，表現幾乎與Claude3-Opus-diff匹配，并且優于GPT-4-Turbo和GPT-4o。

至此的微調解決了性能問題，但不難看出此時的Llama3速度依然很慢，每秒只能輸出不到300個字符（注意是字符，不是詞也不是token）。

而讓改寫工作快到飛起的，還有另一項秘密武器。

針對代碼改寫任務，Cursor團隊專門引入了一種名為預測性編輯（speculative edits）的算法。

這種方式用一種先驗算法來對多個后續token進行預測，然后再用本體大模型進行驗證，降低了大模型的調用次數，從而減輕了運算量。

這種先驗算法來自于代碼任務的一個特點——相比于其他文本，其詞表更小，且語法結構、縮進規則等擁有更高的確定性，利用先驗知識可以更精準預測未來的token。

這樣的做法也與GPT-4和Meta有著共通之處——

傳統的語言模型推理推理速度較慢的原因，主要是預測下一個token的過程通常是自回歸的，即模型在生成每個token時，都要考慮之前生成的所有token。

為了降低運算量，以GPT-4為代表的大模型，使用了名為預測解碼（speculative decoding）的加速算法，通過小的近似模型提前進行預測，然后再讓本體大模型對預測結果進行驗證。

Cursor和GPT-4的區別就在于，前者的小“模型”是一種更確定的算法，而后者只是模型規模減小，本質上仍是概率預測。

Meta這邊則是推出了一次性預測多個后續token的算法，用n個獨立的輸出頭并行預測n個未來token，結果發現在編程任務上表現尤其優異，原因是由于編程語言的邏輯結構更嚴謹，知識的內在聯系更緊密。

當然，Cursor對這種特點利用更為充分，沒有用注意力頭，而是直接拿更確定的算法來做多token預測。

最終的結果就是，預測算法為70B的Llama3帶來了近13倍的速度提升，而測評表現沒有任何損失。

此外，作者還與企業AI模型基礎設施平臺fireworks.ai合作，利用其優化的推理引擎和定制化的硬件環境，進一步提高了模型的運行效率。

未來，團隊還計劃進行知識蒸餾，并把預測編輯算法遷移到更小的8B Llama3，并擴展到更多的編程語言和任務。

同時，對于Cursor團隊研究過但并未采用的真·局部修改（Diff）算法，作者也計劃進行改進。

One More Thing

在實驗當中，作者不僅用預測算法加速了Llama3，也實現了對GPT4-Turbo的加速。

不過作者并沒有介紹具體在GPT當中如何實現，而是留做了思考題，還搞了一場“有獎競猜”。

能夠正確解答的人將獲得1個月的Cursor會員；如果能在vllm和TensorRT-LLM中實現預測加速，將分別獲得半年和一年的會員。

如果你感覺有思路的話，不妨挑戰試試（手動狗頭）。