Fast Chain-of-Thought: Una Mirada al Futuro desde la Decodificación Paralela Conduce a Respuestas Más Rápidas

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

November 14, 2023

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

cs.AI

Resumen

En este trabajo, proponemos FastCoT, un marco independiente del modelo basado en decodificación paralela sin necesidad de entrenamiento adicional de un modelo auxiliar o modificación del propio LLM. FastCoT utiliza una ventana de contexto de tamaño variable que cambia según la posición para realizar simultáneamente decodificación paralela y decodificación autorregresiva, aprovechando así al máximo los recursos de cálculo de la GPU. En FastCoT, la parte de decodificación paralela proporciona al LLM una visión rápida del futuro compuesta por tokens aproximados, lo que podría generar respuestas más rápidas en comparación con la decodificación autorregresiva habitual utilizada por los transformadores causales. También ofrecemos una implementación de la decodificación paralela dentro del LLM, que admite la generación de caché KV y el procesamiento por lotes. A través de experimentos exhaustivos, demostramos que FastCoT reduce el tiempo de inferencia en casi un 20% con una caída de rendimiento insignificante en comparación con el enfoque regular. Además, mostramos que el tamaño de la ventana de contexto presenta una robustez considerable para diferentes tareas.

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.