传统上，大型语言模型（LLMs）被认为是顺序解码器，逐个解码每个token。

来自上海交通大学、加利福尼亚大学的研究团队展示了预训练的LLMs可以轻松地被教导成为高效的并行解码器，并介绍了一种新的并行解码器族，称为一致性大语言模型（CLLMs），能够通过在每个推断步骤中高效地解码一个n -token序列来降低推断延迟。

在此篇论文中，研究表明：「模仿人类在头脑中形成完整句子后逐字表达的认知过程，可以通过简单地微调预训练的LLMs来有效地学习。」

具体而言，CLLMs通过将任何随机初始化的n -token序列映射到尽可能少的步骤中，产生与自回归（AR）解码相同结果，来进行并行解码的训练。

实验结果表明，使用该研究团队所提出的方法获得的CLLMs非常有效，在生成速度上显示出该方法获得了2.4倍至3.4倍的改进，与其他快速推断技术如Medusa2和Eagle相媲美甚至更好，且在推断时不需要额外的内存成本来容纳辅助模型组件。

• 论文名称：《CLLMs：Consistency Large Language Models》
• 论文链接：https://arxiv.org/pdf/2403.00835

Jacobi解码

大型语言模型（LLMs）正在改变人类生活的面貌，从编程到提供法律和健康建议。

然而，在推断过程中，LLMs使用自回归解码逐token生成响应，如图1所示，这导致了较长响应的高延迟。使用自回归解码，通常需要进行架构修改、辅助组件或初稿模型等，以通过一次生成多个token来加快推断速度。

Jacobi解码源自Jacobi和Gauss-Seidel定点迭代求解非线性方程的方法，经证明与使用贪婪解码的自回归生成完全相同。

Jacobi解码将顺序生成过程重新构造为一个包含n个变量的n个非线性方程组，并基于Jacobi迭代可以并行求解。

每个迭代步骤可能会预测出多个正确的token（所谓的“正确”是指在贪婪采样策略下与自回归解码结果对齐），从而潜在地加速自回归解码。

具体来说，Jacobi解码方法首先从输入提示中随机猜测序列的下一个token（以下简称为n -token序列，除非另有说明）。

然后，将n -token序列连同提示一起馈送到LLM中，以进行迭代更新。这个过程会持续进行，直到n -token的序列稳定下来，不再发生变化，达到一个固定点。

值得注意的是，Jacobi解码不需要比自回归（AR）解码更多的对LLM的查询。最终，n -token的序列会收敛到在贪婪策略下由AR解码生成的输出。从最初的随机猜测到最终的AR生成结果的这一过程被称为「Jacobi轨迹」。

Jacobi解码迭代过程和Jacobi轨迹的一个实例在图2中进行了说明。

Jacobi解码的局限：

然而，在实践中，普通的Jacobi解码对LLMs的加速效果仅有微弱的提升，例如，平均加速比只有1.05倍。这是因为当LLM在先前的token中存在错误时，很难产生正确的token。

因此，大多数Jacobi迭代只能为n -token的序列获得一个校正，导致如图3左侧所示的较长轨迹。

前瞻解码和推测解码方法试图缓解Jacobi解码和传统的自回归解码的低效问题，但在推断时会产生额外的内存成本。

而CLLMs则不需要这些额外的内存成本。

一致性大型语言模型（CLLMs）

初步Jacobi解码：

给定一个prompt x和一个预训练的LLM p(·|x)，通常研究者会使用标准的自回归（AR）解码方法在贪婪策略下获得模型的响应，即：

Jacobi解码重新构建了LLM推断过程，将其视为解决非线性方程组的过程，以将解码过程转化为可并行计算的形式。考虑到： 

研究者可以将上述方程重写为一个非线性方程组：

需要注意的是：

该过程在某个k值处退出，使得：

然后，定义作为固定点，并且将作为Jacobi轨迹。

为了解决该问题，该研究团队提出调整预训练的LLMs，使它们能够一致地将Jacobi轨迹 J 上的任意点 y 映射到固定点 y* 。

令人惊讶的是，他们发现这样的目标类似于一致性模型的目标——一种扩散模型的主要加速方法。

在该团队提出的方法中，使用从目标模型收集的Jacobi轨迹来训练模型，并使用一种损失函数，该函数鼓励在Jacobi迭代过程中实现单步收敛。

对于每个要调整为CLLM的目标模型 p ，训练包括两个部分：

（1）Jacobi轨迹准备：

对于每个提示，作者按顺序对每个token截断进行Jacobi解码，直到整个响应序列 l 被生成为止，这相当于所有连续固定点的串联。

 沿轨迹生成的每个序列都会被算作一个数据条目。

此处需要注意的是，对于包含N（N ≫ n）个token的 I 的长响应，这种截断避免了对长输入的慢速模型评估。

（2）使用一致性和AR损失进行训练：

作者联合优化两个损失来调整CLLMs，一致性损失确保一次预测多个token，而AR损失则防止CLLM偏离目标LLM，以保持生成质量。

一致性和AR损失：

（1） 一致性损失

设 p 表示目标LLM。

使表示为被初始化为 p 的参数 θ 的 CLLM。

对于prompt x 和相应的Jacobi轨迹 J ，令 y 和 y* 分别表示轨迹上的随机状态和固定点。

可以通过最小化以下损失来促使CLLM在输入为 y* 时输出 y ，称为全局一致性（GC）损失：

在此公式里，

作者大量使用符号来表示从数据集中均匀抽样。

D(·||·) 表示两个分布之间的距离，选择则在GKD方法中进行了讨论，在本文中主要使用前向KL。

或者，根据一致性模型中的公式，使用局部一致性（LC）损失。

其中相邻状态：在Jacobi轨迹 J 中，被驱使产生相同的输出：

（2）AR损失：

为了避免偏离目标LLM的分布，作者结合了基于目标LLM p 的生成 l 的传统AR损失：

通过将两种损失结合在一起，使用一些权重 ω ，训练CLLM的总损失为：

实验

结果：

总的来说，该实验涵盖了三个特定领域的任务：

（1）Spider（文本到SQL）

（2）Human-Eval（Python代码完成）和GSM8k（数学）

（3）更广泛的开放域会话挑战MT-bench。

所报告的实验使用微调过的编码器LLM、Deepseek-coder-7B-instruct、LLaMA-2-7B或ABEL-7B-001作为目标模型，具体使用则取决于任务。

训练和评估则都在NVIDIA A100 40GB服务器上进行。

专业领域：

从图5中，可以看到，与其他基准（包括原始目标模型、Medusa2和猜测解码）相比，CLLMs实现了最显著的加速。

开放域会话挑战（MT-bench）：

使用ShareGPT数据集从LLaMA2-7B训练的CLLM与前瞻解码（lookahead decoding）结合使用时，可以实现与Medusa2大致相同的加速，并在MT-bench上获得可比较的分数。

然而，CLLM具有更高的适应性和内存效率，因为它不需要对目标模型的原始架构进行修改，也不需要辅助组件。

训练成本：

CLLMs的微调成本是适度的。

例如，对于LLaMA-7B，只需传递大约1M token就可以在Spider数据集上实现它的3.4倍的加速。在数据集size较大的情况下（例如对于CodeSearchNet-Python），只需要使用数据集的10%来生成训练CLLMs的Jacobi轨迹，从而获得大约2.5倍的加速。

可以通过以下方式估算token的总数：

N = 平均每个prompt的轨迹量 × 平均轨迹长度 × Prompt数量。

图6左侧显示，目标LLM通常在一个迭代中只生成一个正确的token。相比之下，在CLLMs中，作者发现了快速推进现象，即在单个Jacobi迭代中连续多个token被正确预测。

此外，在目标LLM中，提前正确生成的token（例如图7左侧索引6和7处的「country」和「H」），往往在随后的迭代中被不准确地替换。

另一方面，CLLMs表现出了预测正确token的能力，即使在先前有错误token的情况下，也确保token保持不变。

作者将这样的token称为「固定token」。这两种现象共同促成了CLLMs在Jacobi解码中的快速收敛，从而实现了相当大的生成速度提升。

研究团队还观察到，通过训练，CLLMs获得了一个关键的语言概念——搭配：「一系列词或术语，它们的共同出现频率高于随机机会所预期的。」

语言不仅由孤立的单词组成，而且还严重依赖于特定的词对。搭配的示例在自然语言和编程语言中都很丰富。

它们包括：

• 动词+介词组合（例如「talk to」，「remind ... of ...」）
• 动词+名词结构（例如「make a decision」，「catch a cold」）
• 许多领域特定的句法结构（例如「SELECT ... FROM ...」，「if ... else」用于编程）。

一致性生成目标使CLLMs能够从Jacobi轨迹的任何点推断出这样的结构，促进CLLMs掌握大量的搭配，并因此同时预测多个词以最小化迭代步骤。

本文来自微信公众号”机器之心“