苹果芯跑大模型不用降计算精度，投机采样杀疯了，GPT-4也在用

梦晨 发自 凹非寺
量子位 | 公众号 QbitAI

专攻代码的Code Llama一出，大家伙都盼着谁来后续量化瘦身一下，好在本地也能运行。

果然是llama.cpp作者Georgi Gerganov出手了，但他这回不按套路出牌：

不量化，就用FP16精度也让34B的Code LLama跑在苹果电脑上，推理速度超过每秒20个token。

原本需要4个高端GPU才能搞定的活现在用只有800GB/s带宽的M2 Ultra就够了，代码写起来嗖嗖快。

老哥随后公布了秘诀，答案很简单，就是投机采样（speculative sampling/decoding）。

此举引来众多大佬围观。

OpenAI创始成员Andrej Karpathy评价这是一种非常出色的推理时优化，并给出了更多技术解读。

英伟达科学家范麟熙也认为，这是每个大模型从业者都应该熟悉的技巧。

GPT-4也在用的方法

其实不光想在本地跑大模型的人在用投机采样，谷歌OpenAI这样的超级巨头也在用。

根据之前泄露的资料，GPT-4就用了这个方法来降低推理成本，不然根本承受不起这么烧钱。

而最新爆料表示谷歌DeepMind联手开发的下一代大模型Gemini很可能也会用。

虽然OpenAI的具体方法都保密，但谷歌团队已经把论文发出来了，并且入选ICML 2023 Oral。

方法很简单，先训练一个与大模型近似、更便宜的小模型，让小模型先生成K个token，然后让大模型去做评判。

大模型接受的部分就可以直接用，大模型不接受的部分再由大模型修改。

在原始论文中使用T5-XXL模型演示，在生成结果不变的情况下获得了2-3倍的推理加速。

Andjrey Karpathy把这个方法比喻成“先让小模型打草稿”。

他解释这个方法有效的关键之处在于，给大模型一次输入一个token和一次输入一批token，预测下一个token所需时间是差不多的。

但每一个token都依赖前一个token，所以正常情况无法一次对多个token进行采样。

小模型虽然能力较差，但实际生成一个句子时有很多部分是非常简单的，小模型也能胜任，只有遇到困难的部分再让大模型上就好了。

原论文认为，这样做无需改变大模型的结构，也无需重新训练，就可以直接加速已有的现成模型。

对于不会降低精度这一点，在论文附录部分也给出了数学论证。

了解了原理，再来看Georgi Gerganov这次的具体设置。

他使用4bit量化的7B模型作为“草稿”模型，每秒约能生成80个token。

而FP16精度的34B模型单独使用每秒只能生成10个token。

使用投机采样方法后获得了2倍的加速，与原论文数据相符。

他额外表示，速度可能会根据生成的内容而有所不同，但在代码生成上非常有效，草稿模型能猜对大多数token。

最后，他还建议Meta以后在发布模型时直接把小的草稿模型附带上吧，受到大伙好评。

作者已创业

作者Georgi Gerganov，今年三月LlaMA刚出一代的时候就移植到了C++上，开源项目llama.cpp获星已接近4万。

最开始他搞这个只是当成一个业余兴趣，但因为反响热烈，6月份他直接宣布创业。

新公司ggml.ai，主打llama.cpp背后的C语言机器学习框架，致力于在边缘设备上运行AI。

创业时获得来自GitHub前CEONat Friedman、Y Combinator合伙人Daniel Gross的种子前投资。

LlaMA2发布后他也很活跃，最狠的一次直接把大模型塞进了浏览器里。

谷歌投机采样论文：
https://arxiv.org/abs/2211.17192

参考链接：
[1]https://x.com/ggerganov/status/1697262700165013689
[2]https://x.com/karpathy/status/1697318534555336961

— 完 —

报名开启！9月6日

「具身智能前夜」仿生机器人沙龙

9月6日 14:30，量子位智库行业沙龙「具身智能前夜」将为你解读仿生机器人的崛起与挑战，邀请到来自云深处科技、帕西尼感知科技、大象机器人等企业代表，聊聊仿生机器人行业最新趋势~

后台回复「仿生机器人」，报名线下参与仿生机器人行业沙龙 

点这里👇关注我，记得标星哦～