大模型如何“思考”？揭秘LLM推理全过程

OpenAI联合创始人伊利亚・萨茨凯弗（Ilya Sutskever）在一次采访中曾表示：

“只要在足够大的数据集上训练一个足够庞大且足够深的神经网络，你就必然会取得成功。”

这句话的价值在于，它明确强调了“规模”至今仍是所有新的最优模型（SOTA）所遵循的核心逻辑。

2020年，AI研究人员发表了《神经语言模型的缩放定律》一文，通过实验探索了语言模型性能的缩放规律，发现决定模型性能的因素主要有三个：计算量、数据集大小、参数规模。

这其中，最值得关注的发现是：随着模型规模、数据集大小及训练所用计算量的增加，大语言模型（LLM）的性能会逐步平稳提升。这一规律同样影响着推理过程——模型规模越大，所需的计算资源就越多，唯有如此才能实现高效部署，同时将延迟控制在合理范围内。
（OpenAI关于LLM预训练的缩放定律研究成果）

本文将详细解析LLM的推理机制，通过以一个自定义提示词为例，逐步拆解预填充（prefill）和生成（generation）两个阶段，同时解释token采样（token sampling）、线性投影（Linear Projection）的工作流程，以及如何通过对logits应用Softmax函数来获取下一个token的概率分布。

此外，本文还会说明TopN、TopK等是如何影响token选择，以及生成过程如何终止。

什么是模型推理与部署？

在机器学习运维（MLOps）的生命周期中，推理过程属于部署与反馈阶段。当完成数据的收集、清洗、标注等准备工作，经过多轮训练实验并选定最优模型后，便需要对模型进行部署，随后输入真实世界中未曾见过的数据，以此获取预测结果。

推理指的是：将训练好的模型与未见过的输入数据（推理数据）结合，生成预测输出供用户或服务使用的过程。

而模型部署（model serving）则是指将模型打包并部署，使其在生产环境中作为实时数据处理服务或可调用的API服务可用。

简单来说，模型本质上是按层组织的结构化数学运算图，每个神经元或层都附着有预定义的常量（权重和偏置值），这些是模型训练过程中学到的参数。要让模型可部署，需配置相应的库、框架、依赖项和流水线，将输入数据处理为模型可理解的标准化格式，同时将模型输出（即预测结果）转换为与应用兼容的格式。

LLM的推理过程

大多数主流的仅解码器大语言模型（decoder-only LLMs）都以因果建模为目标进行预训练，核心能力是“下一词预测”。它们接收一系列token作为输入，持续生成序列的下一个token，直到满足停止条件——要么生成特殊token（如, , <end_of_text>），要么达到指定的max_tokens参数限制。

这个过程具有自回归特性：T0…T（n-1）token生成T（n）令牌，随后T0…T（n）又生成T（n+1）token。

理解LLM推理需掌握两个阶段：预填充（初始化）阶段和解码（生成）阶段。

LLM的预填充阶段

预填充（prefill）也称为输入处理阶段，是LLM接收token输入并计算中间状态（键和值）以生成“第一个”新token的过程。

以“Neural Bits Newsletter is”作为输入文本为例：在预填充阶段，文本会被tokenized，模型进入“热身”阶段，根据输入文本计算初始的K（键）和V（值）矩阵。

需要注意的是，在推理中，预填充阶段会占用较多GPU内存，因为模型在第一次处理提示时需要加载整个输入上下文。此阶段的注意力机制可视为矩阵到矩阵的运算，在GPU上具有高度并行性。
（Neural Bits Newsletter”通过tokenizer的转换过程）

每个LLM模型都会训练自己的tokenizer，且tokenizer与预训练数据集的文本语料高度相关。以下示例使用的是GPT-4o和GPT-4o-mini的tokenizer。

一个常用的指标是首token生成时间（TTFT，time to the first token），它衡量预填充时间、token化过程和初始K、V状态计算的耗时，通常用于测试预填充阶段的性能。

当第一个新token被添加到序列中，就进入了自回归生成阶段。

（展示预填充阶段生成第一个“新”token的过程。当输入提示经token化处理并传入LLM后，最后一层会对logits执行线性投影+Softmax运算，得到覆盖模型整个词汇表的概率分布，进而选出下一个token）

该阶段后，Q（查询）、K（键）和注意力矩阵完成“热身”，由于内存已完成分配，生成过程会运行得更快。

LLM的生成阶段

生成阶段指的是LLM通过自回归过程逐个生成token，直到满足停止条件的过程。每个连续输出的token都需要参考所有先前生成token的输出状态（键和值）。

这里有一个重要的点需要说明：生成阶段受内存限制。原因如下：

权重、键、值和激活值从CPU内存传输到GPU的速度，慢于计算这些数据本身所需的时间。每个新token、键和值的规模呈线性增长，而注意力计算的规模则大致呈二次方增长。

要理解这种缩放关系，请参考下图，该图展示了输入提示词的嵌入向量如何在Transformer层中进行流转：

在每个网络层中，模型都会为输入序列中的每个token计算查询（Query，Q）、键（Key，K）和值（Value，V）向量，以及一个注意力矩阵。随着这些表征流经更深层的网络，它们会被不断优化，从而具备更强的上下文理解能力。

向序列中添加一个token会使Q、K、V矩阵的行数线性增加。对于尺寸为N×N（其中N为序列长度）的注意力矩阵而言，新增token会使其规模相应扩大，进而导致注意力计算量呈二次方增长。

LLM中另一个核心组件是最后一层——其本质上是一个分类层。

该层包含线性投影（Linear Projection）过程：将前层的中间输出映射到n_vocab维度（n_vocab表示模型训练时的词汇表大小）。

简而言之，如果模型包含100个token，那么经过线性投影后，logits的形状将为（100）。将这些logits输入Softmax激活函数后，会得到整个词汇表上的概率分布，该分布代表了每个token作为下一个令牌的可能性。接下来，LLM会根据生成配置参数（TopK、TopP、温度）选择最优的“下一个token”，并将其添加到序列中，之后重复这一过程。

可通过下图查看整个过程：
（基于nano-GPT模型架构的LLM输入部分结构）

为解析上述生成配置参数，可通过调整温度（Temperature）、TopK和TopN阈值来控制token的采样过程。以下是这些参数的作用：

温度（Temperature）：应用于最终Softmax层的缩放因子，影响模型计算的下一个token的概率分布。较高的温度（≈1）会使token选择更随机/更具创造性，较低的温度则会使行为更具确定性。

TopK：也称为贪婪采样，它让模型仅考虑最可能的K个token。较小的K会使行为更确定（具体），较大的K则会使行为更随机（stochastic）。

TopN：也称为核采样，与TopK类似，但它并非限定考虑K个token，而是以这些token的累积概率为条件：模型会选择累积概率超过阈值的N个token。

例如，若将阈值设为0.5：第一次迭代中，若“awesome”的概率为0.6，则仅考虑该token；若“awesome”的概率为0.1、“amazing”的概率为0.2、“marvelous”的概率为0.3，三者累积概率为0.6（超过阈值），则会考虑这3个token。

结合实际示例理解会为更简单。

回到“Neural Bits Newsletter is”这个提示，假设第一个预测token是“awesome”，那么整体过程如下：

LLM中自回归解码的工作原理：此图展示新token如何被添加至初始序列并传入LLM，通过应用线性投影和Softmax运算来获取“下一个”token。

（基于nano-GPT模型架构的最后一层功能（线性投影+Softmax））

我们能清晰看到这个重复过程：将新token添加到序列中，传入模型，获取下一个token，再次添加并传入模型，直到达到max_tokens限制或模型生成（序列结束）token。

了解这个原理后，当你使用LLM模型（如ChatGPT、Gemini、Perplexity等）时，聊天界面中文字开始出现前的短暂延迟，就是预填充和第一个token生成的耗时，之后逐个出现的新词汇，则来自生成阶段。

结论

综上，本文详细阐述了LLM的推理机制，包含了仅解码器型LLM的预填充（Prefill）和生成（Generation）两个阶段，这两个阶段是理解推理过程中吞吐量和整体延迟的关键。

上述内容不仅揭示了大模型的思考过程，也为理解LLM生成文本的底层逻辑提供了清晰的路径。