Skeleton-of-Thought: I Modelli Linguistici di Grandi Dimensioni Possono Eseguire Decodifica Parallela

Skeleton-of-Thought: Large Language Models Can Do Parallel Decoding

July 28, 2023

Autori: Xuefei Ning, Zinan Lin, Zixuan Zhou, Huazhong Yang, Yu Wang

cs.AI

Abstract

Questo lavoro mira a ridurre la latenza end-to-end nella generazione di modelli linguistici di grandi dimensioni (LLM). Una delle principali cause dell'elevata latenza di generazione è l'approccio di decodifica sequenziale adottato da quasi tutti gli LLM all'avanguardia. In questo lavoro, ispirati dal processo di pensiero e scrittura umano, proponiamo "Skeleton-of-Thought" (SoT), che guida gli LLM a generare prima lo scheletro della risposta, per poi effettuare chiamate API parallele o decodifiche in batch per completare i contenuti di ciascun punto dello scheletro in parallelo. SoT non solo offre un notevole aumento di velocità (fino a 2,39x su 11 diversi LLM), ma può anche potenzialmente migliorare la qualità delle risposte in diverse categorie di domande in termini di diversità e pertinenza. SoT rappresenta un tentativo iniziale di ottimizzazione centrata sui dati per l'efficienza e rivela il potenziale di spingere gli LLM a pensare in modo più umano per migliorare la qualità delle risposte.

English

This work aims at decreasing the end-to-end generation latency of large language models (LLMs). One of the major causes of the high generation latency is the sequential decoding approach adopted by almost all state-of-the-art LLMs. In this work, motivated by the thinking and writing process of humans, we propose "Skeleton-of-Thought" (SoT), which guides LLMs to first generate the skeleton of the answer, and then conducts parallel API calls or batched decoding to complete the contents of each skeleton point in parallel. Not only does SoT provide considerable speed-up (up to 2.39x across 11 different LLMs), but it can also potentially improve the answer quality on several question categories in terms of diversity and relevance. SoT is an initial attempt at data-centric optimization for efficiency, and reveal the potential of pushing LLMs to think more like a human for answer quality.