Быстрая цепочка рассуждений: взгляд в будущее через параллельное декодирование приводит к ответам быстрее

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

November 14, 2023

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

cs.AI

Аннотация

В данной работе мы представляем FastCoT, модель-независимый фреймворк, основанный на параллельном декодировании без необходимости дополнительного обучения вспомогательной модели или внесения изменений в саму большую языковую модель (LLM). FastCoT использует контекстное окно переменного размера, которое изменяется в зависимости от позиции, для одновременного выполнения параллельного и авторегрессивного декодирования, что позволяет полностью задействовать вычислительные ресурсы GPU. В FastCoT часть, отвечающая за параллельное декодирование, предоставляет LLM быстрый обзор будущего, состоящего из приблизительных токенов, что может приводить к более быстрым ответам по сравнению с обычным авторегрессивным декодированием, используемым в каузальных трансформерах. Мы также предлагаем реализацию параллельного декодирования внутри LLM, которая поддерживает генерацию KV-кэша и пакетную обработку. В ходе обширных экспериментов мы демонстрируем, что FastCoT сокращает время вывода почти на 20% при незначительном снижении производительности по сравнению с традиционным подходом. Кроме того, мы показываем, что размер контекстного окна демонстрирует значительную устойчивость для различных задач.

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.