研究人员开发了一种用于混合专家(MoE)模型的新型投机解码方法,重点优化专家字节请求和内核带宽。他们的方法旨在通过在单次验证过程中去重专家调用,而不是单独处理每个 token,来降低计算成本。该研究推导了去重比标准解码更快的理论条件,并在使用 CUDA 和 Metal 等框架的 DeepSeek-V2-Lite 等模型上进行了实证验证。 AI
影响 优化 MoE 模型的推理,可能降低延迟和计算成本。
排序理由 该集群包含一篇学术论文,详细介绍了用于优化 AI 模型推理的新技术方法。[lever_c_demoted from research: ic=1 ai=1.0]
- CUDA
- DeepSeek-V2-Lite
- Expert Bytes
- Hugging Face
- Lean
- Metal
- Mixture-of-Experts Models
- mlx-lm
- speculative decoding
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →