Fast Chain-of-Thought: Uno Sguardo al Futuro dal Decodifica Parallela Porta alle Risposte Più Velocemente

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

November 14, 2023

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

cs.AI

Abstract

In questo lavoro, proponiamo FastCoT, un framework agnostico rispetto al modello basato su decodifica parallela senza ulteriore addestramento di un modello ausiliario o modifiche al LLM stesso. FastCoT utilizza una finestra contestuale di dimensione variabile che cambia in base alla posizione per condurre simultaneamente decodifica parallela e decodifica auto-regressiva, sfruttando così appieno le risorse di calcolo della GPU. In FastCoT, la parte di decodifica parallela fornisce al LLM una rapida anteprima del futuro composta da token approssimativi, che potrebbe portare a risposte più veloci rispetto alla decodifica auto-regressiva regolare utilizzata dai trasformatori causali. Forniamo inoltre un'implementazione della decodifica parallela all'interno del LLM, che supporta la generazione della KV-cache e l'elaborazione in batch. Attraverso esperimenti estesi, dimostriamo che FastCoT riduce il tempo di inferenza di quasi il 20% con un calo di prestazioni trascurabile rispetto all'approccio tradizionale. Inoltre, mostriamo che la dimensione della finestra contestuale presenta una notevole robustezza per diversi compiti.

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.