微软发明全新「LLM语言」，AI智能体交互效率翻倍！

在《星球大战》中，机器人R2-D2和其他机器人使用特殊的语言进行交流。

这种语言主要由蜂鸣声和口哨声组成，被称为「二进制语」（Binary）或「机器人语」（Droidspeak）。

Droidspeak是专门为机器人之间的交流设计的，只有机器人能够完全理解其精确含义。

电影中，C-3PO是唯一能够完全理解R2-D2语言的角色，而天行者等人类则是通过长期与R2-D2相处，逐渐能够猜测出它所表达的意思。

机器人之间的「专用」通信显然更加高效，那对于LLM来说，是否也应该如此？

近日，来自微软、芝加哥大学的研究人员推出了「Droidspeak」，让AI智能体之间可以用自己的语言进行交流：

论文地址：https://arxiv.org/pdf/2411.02820

结果表明，在不损失性能的情况下，Droidspeak使模型的通信速度提高了2.78倍。

所以，尽管人类用自然语言训练出了LLM，但用自然语言输出和交流，只是AI对于人类的一种「迁就」。

Droidspeak

下面是喜闻乐见的读论文环节。

事先甩个锅，说「发明全新LLM语言」或有标题党之嫌，概括文章的思想，四个字足矣：缓存复用。

再具体一些：在很多智能体系统中，不同的Agents其实是同源的，大家从同一个base model微调而来，参数的差距并不大。

那么，相同的输入（经过差不多的weight）产生的计算结果也应该差不多。

在智能体系统中，前一个Agent（sender）的输出，会作为后一个Agent（receiver）输入的一部分。

而这部分需要prefill的计算，在之前其实已经做过了，那对于receiver来说，是不是能直接把sender的计算结果拿过来？

——直接传递模型中间的计算结果（缓存），而不需要转换成人类能够理解的自然语言，这就是「Droidspeak」的含义。

如果您是相关领域研究者，看到这里基本就可以退出了，节约了您宝贵的时间。

（但是小编走不了，毕竟稿费是按字数算的......）

智能体面临的挑战

高端的食材往往只需要最朴素的烹饪方式，而简单的idea往往得来并不简单。

根据小学二年级学过的知识，LLM的推理可分为预填充（prefill）和解码（decode）两个阶段：

prefill是LLM拿你提出的问题（词向量序列），一股脑放进模型计算，填充所有层的kv cache；

而decode是用最后一个词作为query，开始一个一个词往外蹦。

从计算的角度来看，预填充阶段是矩阵乘矩阵，为计算密集型；解码阶段是向量乘矩阵，相对来说访存变多。

当我们长时间运行上下文密集的对话时，prefill的占比会越来越高，包括计算和通信的开销。

所以在需要频繁交互的智能体系统中，prefill会成为瓶颈。

比如，在HotpotQA数据集中，Llama-3-70B-Instruct的平均预填充延迟为2.16秒，而解码时间只有0.21秒；

在MapCoder这种级联智能体系统中，前一个Agent的输出最多可达到38,000个token，从而导致极高的预填充延迟。

亲子关系

之前有工作探究过，利用kv cache来减少同一个模型的预填充延迟，这件事在智能体系统中貌似也能成立。

先测试一下亲子之间的相似度。

实验使用base model作为发送方，微调版本作为接收方，选择了下面四组模型。

单从模型参数来看，绝对是亲生的，相似度差别都是小数点后三位的水平：

那么对于相同输入，中间的计算结果有多大差别？

这里的E cache指的是每层的输入，即E通过投影矩阵计算出QKV。

相比于权重，每对模型的E cache和KV cache差别大了一点点，但也还好，那能不能直接复用呢？

方法探索

在最初的实验构建中，要求微调版本在测试基准上的表现比基础模型好得多，以便测试出复用缓存带来的影响。

在此基础上，如果只是简单的复用全部的kv cache，效果稍显惨不忍睹，Fine-tuned Model的性能直接被打回原形：

看上去需要更加细致的操作，所以逐层分析一下E cache和KV cache的差别（注意是与base model的差别）。

因为缓存的差异因层而异，所以优化的应用也要按层来，这里首先考虑重用KV cache的连续层（直到最后一层）。

下图表明了重用KV cache带来的精度影响，效果很不错，但优化的自由度很低。

小编推测，这个「自由度低」的意思是：复用KV cache时，本层的输入（E cache）就不需要了，没有输入就没法算Q，就没法算下一层，所以后面也只能复用KV cache（直到最后一层）。

所以，作者接下来就测试复用E cache的情况，因为有输入可以继续往下算，所以复用E cache时可以选择任意的起点和终点。

如下图所示，每个点代表在一定程度的预填充延迟下的最佳精度。

我们可以看到，重用E cache在保持生成质量的同时，将预填充延迟降低了1.8倍。

最终方案

作者表示，尽管重用 E cache在层方面提供了极大的灵活性，但它会在GPU内存、传输和计算方面产生开销。

考虑发送方和接收方放置在两个GPU节点上，并通过Infiniband链路互连：

在发送方，E cache需要先存储在GPU内存中（内存开销），发送E cache到接收方会产生额外的传输延迟；

在接收端，还需要额外的QKV投影操作，将E cache转换为KV cache，这会导致额外的计算延迟。这三种类型的delay随着重用层的数量呈线性增长，如图12所示。

与之相对，重用KV cache没啥额外开销，只是缺乏灵活性。

所以，两种方法合体。

图13在预填充延迟和准确性权衡方面，比较了单独重用E cache与重用KV+E cache。

对于实验的三对模型，重用KV+E cache在延迟和准确性方面效果良好，且不会增加发送方的GPU内存开销或接收方的计算开销。

最后是端到端的整体架构：

如图14所示，离线阶段，DroidSpeak首先在示例分析数据集上分析每对要重用的层（复用配置）；

在线阶段，当发送方与接收方LLM通信时，会根据复用配置将KV和E缓存发送给接收方。

然后，接收方会为那些不重用KV缓存的层重新计算新的KV缓存。

下图展示了DroidSpeak相对于baseline的改进：

我们可以看到，与完全预填充相比，DroidSpeak的预填充延迟减少了1.69到2.77倍，而不会影响生成质量（重用所有E缓存或KV缓存时，生成质量会大大降低）。

水平虚线表示基础模型的生成质量，DroidSpeak的质量损失与基础模型和微调模型之间的差异相比微不足道。

参考资料：

https://singularityhub.com/2024/11/21/droidspeak-ai-agents-now-have-their-own-language-thanks-to-microsoft/

文章来自于微信公众号 “新智元”