使用推测解码提高 LLM 推理速度

news2025/1/15 23:08:37

使用尖端优化技术加速推理的实用指南

欢迎来到雲闪世界。大型语言模型非常耗电，需要大量 GPU 资源才能发挥良好性能。然而，Transformer 架构并没有充分利用 GPU。

从设计上讲，GPU 可以并行处理，但 Transformer 架构是自回归的。为了生成下一个 token，它必须查看之前的所有 token。Transformer 不允许您并行预测下一个 token。最终，这会使 LLM 的生成阶段非常缓慢，因为必须n按顺序生成每个新 token 。推测解码是一种旨在解决此问题的新型优化技术。

每次前向传递都会产生一个由 LLM 生成的新 token

推测解码有几种不同的方法。本文介绍的技术采用双模型方法。

推测解码

推测解码的工作原理是使用两个模型，一个大型主模型和一个较小的辅助模型。较小的辅助模型首先生成一个由 n 个 token 组成的序列。然后，主模型在一次前向传递中验证 token 序列。

这个想法是，由于辅助模型很小，因此它会快速生成 token。主模型更大、更准确，不需要生成每一个 token。它只需要验证辅助模型生成的 token。

例如，假设助手模型产生以下 5 个 token。

辅助模型自动回归生成 token，而主模型一次性验证所有 token

主模型将对所有 5 个 token 执行一次前向传递。主模型的目的是验证每个 token 的正确性。如果根据主模型，其中一个 token 不正确，它会丢弃错误 token 后的整个序列。然后，主模型会以自回归方式用正确的 token 填充序列的其余部分。

主模型丢弃从第一个不正确的 token 开始的序列输出

使用推测解码，您一定能获得与单独运行主模型完全相同的输出。这是因为主模型会验证每个 token 并替换它认为不正确的 token。在理想情况下，如果辅助模型正确生成了大多数 token，主模型将能够快速验证 token，从而缩短端到端生成时间。

推测解码的实践

许多流行的推理服务（如 TGI 和 vLLM）都支持开箱即用的推测解码。挑战在于找到正确的辅助模型和主模型对。一般来说，最好选择具有相同架构和词汇表的模型。

在本教程中，我们将使用Llama 3.1 70B Instruct作为主模型，使用Llama 3.1 8B Instruct作为辅助模型。vLLM 为这两种模型提供支持，因此我们将使用它作为推理服务。

安装 Python 要求并导入包

!pip install vllm== 0.5 .4

从vllm导入SamplingParams
从vllm.engine.arg_utils导入AsyncEngineArgs
从vllm.engine.async_llm_engine导入AsyncLLMEngine

下载模型

model_args = AsyncEngineArgs（
            模型 = “meta-llama/Meta-Llama-3.1-70B-Instruct”，
            speculative_model = “meta-llama/Meta-Llama-3.1-8B-Instruct”，
            trust_remote_code = True，
            tensor_parallel_size = 4，
            max_num_seqs = 8，
            dtype = “half”，
            use_v2_block_manager = True，
            enforce_eager = True
         ）

llm_engine = AsyncLLMEngine.from_engine_args（model_args）

在引擎参数中，指定作为助手model时要使用的主模型。speculative_model
由于 70B 型号占用约 140 GB 的 VRAM，我决定使用四个 GPU（A100 80GB），因此tensor_parallel_size设置为 4。
使用dtype=halfFP16 精度加载权重，与完整的 FP32 位精度相比，其内存量只有一半。
该推测模型需要参数use_v2_block_manager和enforce_eager才能正确运行。
使用 vLLM 而非常规 LLM 类的主要原因AsyncLLMEngine是 AsyncEngine 可以处理并发请求。

使用推测解码运行推理

import uuid
import asyncio

prompt = "Why is the earth flat?"
stream = True
max_tokens = 512
model_input = {"max_tokens": max_tokens}
sampling_params = SamplingParams(**model_input)

idx = str(uuid.uuid4().hex)
vllm_generator = llm_engine.generate(prompt, sampling_params, idx)

async def stream_tokens():
    full_text = ""
    async for request_output in llm_engine.generate(prompt, sampling_params, idx):
        if len(request_output.outputs) > 0:
            text = request_output.outputs[0].text
            delta = text[len(full_text):]
            full_text = text
            print(delta, end='', flush=True)
    print()

await stream_tokens()

在顶部，我们指定常规参数，例如prompt、max_tokens和stream。为了轻松直观地看到性能提升，我们将设置stream=True。
在stream_tokens函数中，我们有一个从调用返回的生成器对象llm_engine.generate。为了打印生成器的输出，我们需要异步循环它，因为我们的 LLM 引擎被定义为异步。最后，我们获取生成的标记并打印它们。