Last Updated on 2024-11-21 by Clay
前言
這是華為諾亞方舟實驗室所提出加速框架，本質上是把原先投機解碼（speculative decoding）中所使用的小模型由大模型的淺層網路取代，並再由額外訓練的適配器（adapter）加上模型本身的解碼頭去生成推測的 token，再由大模型去進行驗證，並在拒絕推測 token 時由大模型所生成的機率分佈解碼結果取代 —— 這些操作與原先的 speculative decoding 其實沒有太大差別。
背景介紹
為了介紹 Kangaroo 的加速方法，首先得先介紹投機解碼（speculative decoding）這種技術。
投機解碼是個被驗證用於加速模型推理非常有用的技巧，其基本概念是通過量級較小並且推理速度較快的草稿模型（drafter）來快速生成一些推測性的解碼結果，這些解碼的結果再交由大模型進行檢驗。
比方說草稿模型可能會一口氣生成 "Today"、"is"、"a"、"nice"、"good" 這樣一個系列的解碼結果，接著再由大模型一口氣預測以下結果：
- "" -> "Today" (O)
- "Today" -> "is" (O)
- "Today is" -> "a" (O)
- "Today is a" -> "nice" (O)
- "Today is a nice" -> "day" (X)：原本草稿模型預測出 "good"
這 5 個步驟都是一口氣被大模型平行解碼完成的，不過中間如果某個由草稿模型預測的解碼結果被回絕了，則會更改為大模型預測出的解碼結果，再交由草稿模型繼續往下預測。
這樣一來，本來單獨由大模型依序完成 5 次解碼的時間，就變更為一次推理產生結果了。
不過由於草稿模型與大模型平行解碼的緣故，其 GPU VRAM 的開銷會比單獨大模型解碼來得更高，就某種程度上算是一種利用空間換取時間的策略。
而說明完了投機解碼的概念之後，接著就可以進入正題介紹 Kangaroo 的作法了。
Kangaroo 作法
一致 Token 接受率（Consistent Token Acceptance Rate, CTAR）
Kangaroo 提出的架構很有趣，但在看它的架構之前，首先來談談研究者所提出的新評估指標。
一般在投機解碼時通常使用兩個指標：『實際時間加速率』（wall-time speedup ratio）和『壓縮率』（compression rate）。但 Kagaroo 的研究團隊指出，這些指標並不能反映出在不同上下文情境中草稿模型 token 接受率。
研究團隊引入一個新的評估指標『一致 Token 接受率』（Consistent Token Acceptance Rate, CTAR），用於評估在給定前綴（prompt）和後續窗口尺寸的情況下，草稿模型推測的 token 全部被目標模型接受的概率。
直覺上能很清楚地想像，隨著窗口尺寸增大，CTAR的分數想必會開始遞減。（2024/11/21 更新：不過我後來在看過各種加速推理的論文後，開始覺得終究還是看 wall-clock time 最準確，只看一致性接收率並不是我最需要的）
提早退出機制
在 Kangaroo 中所使用的草稿模型，並非如原本 Speculative Decoding 方案那樣使用另外一個完整的小模型作為草稿模型，而是把目標模型（大模型）的淺層網路（Shallow Sub-Network）作為草稿模型的一部分，再額外添加適配器網路（Adapter-Network）以及拿模型最後一層的解碼層（LM Head）組成草稿模型，所以可以大幅地減少草稿模型的參數量。
實際上也確實只有加入適配器網路的參數量而已。
接著就是 Kangaroo 架構所提出的提早退出機制了。提早退出機制的意思是，當草稿模型對於當前 token 的預測信心值低於某個閾值時，便會提早停止生成，而把當前預測的所有推測 tokens 交由目標模型去評估，也變相地把草稿模型沒把握的困難解碼交給目標模型去處理。
可以理解成如果草稿模型都對自己的生成沒信心了，那不如早點交給目標模型去解碼，反正就算草稿模型自己花費計算時間去解碼，目標模型驗證時的拒絕機率也是很高。
詳細的資料流可以從上方的架構圖中確認。值得一提的是，若要訓練 Kangaroo 架構的模型，其訓練參數僅有適配器網路（通常只包含兩個正規化層和一個多頭注意力機制）而已，可說是低成本的微調任務。
實驗結果
在實驗中，Kangaroo 在 Spec-Bench 上顯示了顯著的加速效果，達到了 1.68 倍的加速，並且所需要的額外參數量比其他方法少了 88.7%。
結尾
由於 Kangaroo 的原始碼有開源在 GitHub 上（請參考下方參考連結），我在很早期的階段就去拜讀過了；不過一直到今天（2024-06-03）依然沒有釋放出訓練的腳本。
當然，由於 Kangaroo 的架構已經寫好了，直接拿這個架構來訓練也不是不行，說實話我是挺想自己測試一遍的，畢竟我今年自己設定的目標就是加速推理方面的研究。
不過在那之前，我會想先把 Medusa 的實作先完成吧！那邊開了個頭，後來又因為工作忙碌暫時擱置了。
不過加速推理技術很仰賴現行的框架，因為只是改進架構本身是沒法應用在產品上的，終究還是得使用上優化整合深入的框架才行。
所以，閱讀各種加速推理框架的原始碼也是課題之一吧！
References
- https://github.com/Equationliu/Kangaroo
- Kangaroo: Lossless Self-Speculative Decoding via Double Early Exiting