大模型生成提速2倍！单GPU几小时搞定微调，北大数院校友共同一作丨开源

关注

原创最新推荐文章于 2026-04-16 11:08:27 发布 1.3k 阅读 AI 写同款· GEO 优化 ›

如何实现大模型推理加速优化？路径有哪些？方法1、LayerNorm需要在每个样本的特征维度上计算均值和标准差，这可能在特征维度非常大时导致较高的计算开销，且LayerNorm可以稳定训练。BatchNorm使用训练时的统计均值和方差数据直接计算，导致较低的推理延迟，但可能导致训练崩溃和较差的性能。提出了一种PRepBN的新方法，通过使用超参数lamda来控制两个归一化层的比例，在训练中逐步用重新参数化的BatchNorm替换LayerNorm。代码实现。阅读详情

只需给大模型“加点小零件”，推理速度立刻提升2倍！

不需要额外训练一个模型，也不需要对计算硬件做优化，单张A100最快几小时就能微调完成。

这项新研究名叫Medusa（美杜莎），来自普林斯顿、UIUC、CMU和康涅狄格大学，FlashAttention作者Tri Dao也在其中。

在这里插入图片描述

目前，它已经成功部署到伯克利70亿参数的“骆马”Vicuna中，后续还会支持其他大模型，已经登上GitHub热榜：

但其实，在这种方法推出之前，业界并非没有大模型推理加速方法，主流的就是DeepMind推出的投机采样（speculative decoding）。

相比这种方法，Medusa有什么不一样的地方？

投机采样的2个“bug”

要想加速大模型推理，需要先知道究竟是什么“限制”了它的速度。

相比计算量的增加，大模型推理速度更容易受到内存带宽的影响（memory bound）。

这是因为，大模型由于参数量巨大、远超缓存容量，因此推理时需要先把权重从外部内存（显存）读取一次到缓存中，这个过程受内存带宽限制，速度通常很慢。

在这里插入图片描述

因此，模型做批量推理（batch inference）时，一次处理100个tokens和一个tokens时间上区别不大。

基于这个特点，DeepMind去年11月想出了一个名叫投机采样的神奇操作——

训练一个更小的模型（draft模型），给大模型提前生成一批“候选词”，相比于让大模型自己“思考”生成，直接做“选择”就好。

在这里插入图片描述

由于小模型生成速度比大模型快好几倍，一旦大模型觉得小模型已有的词“可用”，就直接拿来，不用自己再缓慢生成一遍。

这个过程，有点像是输入法的联想词候选，在我们（大模型）想好下一个词用什么之前，输入法（小模型）先给列出一些备选项：

要是看到觉得不错，就从中选一个用；要是觉得生成的都不行，就pass掉自己重新打。

在这里插入图片描述

这种投机采样方法确实取得了显著成效，甚至能轻轻松松在M2 Ultra上以高精度跑340亿参数LLaMA大模型。

在这里插入图片描述

BUT，这种方法存在两个问题。

一方面，给大模型找个生成“候选词”的draft小模型，没那么容易。

这个小模型可不是随便抓个生成模型就能用，除了接口统一、概率分布接近等要求，生成质量也不能比大模型差太多。

对于Meta发布的LLaMA这种模型可能还好，既有几百亿参数的大模型版本，又有几十亿参数的小模型版本，可以把参数量更小的版本拿来当draft模型使用。

但对于其他开源大模型，这种方法就不太适用了，自己去搭建训练一个小模型，不仅时间成本更高，生成效果可能还不达预期。

另一方面，双模型的组合，使得后续要想做系统调优变得更复杂。

这是因为，相比于大模型自身是一个系统，新增加的draft模型相当于又引入了一个系统。

这样会导致模型部署起来更复杂，包括额外的网络传输、不同的硬件条件都需要考虑到，在做计算优化时难度也会进一步提升。

为了解决这些问题，Medusa出现了。

不用小模型，加几个“头”就行

Medusa（美杜莎，一种长有多个头的妖怪）是一种新的大模型推理加速方法。

相比投机采样，它选择直接给Transformer大模型多加几个解码头（decoding heads），每个头都是一个单层前馈网络。

在这里插入图片描述

这几个多出来的解码头，可以让大模型直接一次多生成几个词，而不是“挤牙膏式”一个一个生成。

生成准确率也还可以，在预测“下一个词的下一个词”时，Medusa准确率达到了60%，还在不断优化中。

随后，结合树状注意力机制（tree-based attention mechanism）并行验证这些词，从而实现推理加速。

在这里插入图片描述

基于Medusa，Vicuna的70亿、130亿和330亿参数大模型推理速度，均有了1.9倍以上的效率提升：

在这里插入图片描述

针对70亿参数的模型，研究者们还在不同任务上测试了一下加速效果，显示最高在代码生成上有2.15倍的速度提升。

在这里插入图片描述

最关键的是，用上Medusa后，并不需要将整个大模型重新训练一遍。

相比之下，它可以和大模型一起训练，只需要冻结大模型的参数就行，甚至单个GPU就能搞定。

由于不增加额外的模型，对于分布式推理也很友好。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述