苹果正在与英伟达合作，想让AI的响应速度更快

本文来自微信公众号：爱范儿 （ID：ifanr），作者：爱范儿 

近日，苹果与英伟达宣布合作，旨在加速和优化大语言模型（LLM）的推理性能。

为了改善传统自回归LLM推理效率低和内存带宽小的问题，今年早些时候，苹果机器学习的研究人员发布并开源了一种名为ReDrafter（Recurrent Drafter，循环草稿模型）的推测解码技术。

目前，ReDrafter已经整合到英伟达的可扩展推理方案TensorRT-LLM当中，后者是基于TensorRT深度学习编译框架的专为优化LLM推理而设计的开源库，支持包括Medusa等推测解码方法。

不过，由于ReDrafter所包含的算法使用了之前从未用过的运算符，因此英伟达方面添加了新的运算符，或者公开了现有的运算符，大大提高了TensorRT-LLM适应复杂模型和解码方式的能力。

据悉，ReDrafter推测解码通过三个关键技术来加速LLM的推理过程：

• RNN草稿模型

• 动态树注意力算法

• 知识蒸馏训练

RNN草稿模型是ReDrafter的核心组件。它使用循环神经网络（Recurrent Neural Network），基于LLM的“隐藏状态”来预测接下来可能出现的tokens序列，其能够捕捉局部的时间依赖性，从而提高预测准确性。

这个模型的工作原理是：LLM在文本生成过程中首先生成一个初始token，然后RNN草稿模型利用该token和LLM的最后一层隐藏状态作为输入进行束搜索（beam search），进而生成多个候选tokens序列。

与传统自回归LLM每次只生成一个token不同，通过RNN草稿模型的预测输出，ReDrafter能够在每个解码步骤生成多个tokens，大大减少了需要调用LLM验证的次数，从而提高了整体的推理速度。

图源：arXiv

动态树注意力算法（Dynamic Tree Attention）则是一种优化束搜索结果的算法。

我们已经知道，在束搜索过程中会产生多个候选序列，而这些序列往往存在共享的前缀。动态树注意力算法会识别出这些共享前缀，并将它们从需要验证的tokens中去除，从而减少LLM需要处理的数据量。

某些情况下，该算法能将需要验证的tokens数量减少30%到60%。这意味着使用动态树注意力算法后，ReDrafter能够更高效地利用计算资源，进一步提高推理速度。

知识蒸馏是一种模型压缩技术，它能够将一个大型、复杂的模型（教师模型）的知识“蒸馏”到一个更小、更简单的模型（学生模型）中。在ReDrafter中，RNN草稿模型作为学生模型通过知识蒸馏从LLM（教师模型）中学习。

具体来讲，蒸馏训练过程中，LLM会给出一系列下一个可能词的概率分布，开发人员会基于这个概率分布数据训练RNN草稿模型，然后计算两个模型概率分布之间的差异，并通过优化算法使这个差异最小化。

在这个过程中，RNN草稿模型不断学习LLM的概率预测模式，从而在实际应用中能够生成与LLM相似的文本。

通过知识蒸馏训练，RNN草稿模型更好地捕捉到语言的规律和模式，从而更准确地预测LLM的输出，并且因为其较小的规模和较低的推理计算成本，显著提高了ReDrafter在有限硬件条件下的整体性能。

图源：阿里云开发者社区

苹果的基准测试结果显示，在NVIDIA H100 GPU上对数十亿参数的生产模型使用集成了ReDrafter的TensorRT-LLM时，其贪心解码（Greedy Decoding）每秒生成的tokens数量提高了2.7倍。

此外，在苹果自家的M2 Ultra Metal GPU上，ReDrafter也能实现2.3倍的推理速度提升。苹果的研究人员表示“LLM越来越多地用于驱动生产应用程序，提高推理效率既可以影响计算成本，也可以降低用户端延迟”。

图源：Apple