Fast Chain-of-Thought: Um Vislumbre do Futuro a Partir de Decodificação Paralela que Conduz a Respostas Mais 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

Resumo

Neste trabalho, propomos o FastCoT, um framework independente de modelo baseado em decodificação paralela, sem a necessidade de treinamento adicional de um modelo auxiliar ou modificações no próprio LLM. O FastCoT utiliza uma janela de contexto de tamanho variável, cujo tamanho muda conforme a posição, para realizar decodificação paralela e decodificação autorregressiva simultaneamente, aproveitando ao máximo os recursos de computação da GPU. No FastCoT, a parte de decodificação paralela oferece ao LLM uma visão rápida do futuro composta por tokens aproximados, o que pode levar a respostas mais rápidas em comparação com a decodificação autorregressiva regular usada por transformadores causais. Também fornecemos uma implementação de decodificação paralela dentro do LLM, que suporta a geração de cache KV e processamento em lote. Por meio de experimentos extensivos, demonstramos que o FastCoT economiza quase 20% do tempo de inferência, com apenas uma queda de desempenho insignificante em comparação com a abordagem regular. Além disso, mostramos que o tamanho da janela de contexto exibe uma robustez considerável para diferentes tarefas.

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.