Schnelle Gedankenkette: Ein Blick in die Zukunft durch parallele Decodierung führt schneller zu Antworten

Fast Chain-of-Thought: A Glance of Future from Parallel Decoding Leads to Answers Faster

November 14, 2023

Autoren: Hongxuan Zhang, Zhining Liu, Jiaqi Zheng, Chenyi Zhuang, Jinjie Gu, Guihai Chen

cs.AI

Zusammenfassung

In dieser Arbeit stellen wir FastCoT vor, ein modell-agnostisches Framework, das auf parallelem Decodieren basiert, ohne zusätzliches Training eines Hilfsmodells oder Modifikationen am LLM selbst. FastCoT verwendet ein kontextabhängiges Fenster, dessen Größe sich mit der Position ändert, um paralleles und autoregressives Decodieren gleichzeitig durchzuführen und somit die GPU-Ressourcen vollständig auszunutzen. In FastCoT bietet der parallele Decodierungsteil dem LLM einen schnellen Blick in die Zukunft, der aus approximativen Tokens besteht, was im Vergleich zum regulären autoregressiven Decodieren von kausalen Transformern zu schnelleren Antworten führen kann. Wir stellen auch eine Implementierung des parallelen Decodierens innerhalb des LLM bereit, die die KV-Cache-Generierung und Batch-Verarbeitung unterstützt. Durch umfangreiche Experimente zeigen wir, dass FastCoT die Inferenzzeit um fast 20 % reduziert, bei nur einem vernachlässigbaren Leistungsabfall im Vergleich zum regulären Ansatz. Zusätzlich demonstrieren wir, dass die Größe des Kontextfensters eine beträchtliche Robustheit für verschiedene Aufgaben aufweist.

English

In this work, we propose FastCoT, a model-agnostic framework based on parallel decoding without any further training of an auxiliary model or modification to the LLM itself. FastCoT uses a size-varying context window whose size changes with position to conduct parallel decoding and auto-regressive decoding simultaneously, thus fully utilizing GPU computation resources. In FastCoT, the parallel decoding part provides the LLM with a quick glance of the future composed of approximate tokens, which could lead to faster answers compared to regular autoregressive decoding used by causal transformers. We also provide an implementation of parallel decoding within LLM, which supports KV-cache generation and batch processing. Through extensive experiments, we demonstrate that FastCoT saves inference time by nearly 20% with only a negligible performance drop compared to the regular approach. Additionally, we show that the context window size exhibits considerable robustness for different tasks.