研究人员开发了一种新颖的多令牌预测 (MTP) 架构,名为 G-MTP,旨在提高大型语言模型 (LLM) 推理的效率和鲁棒性。该架构通过使用共享的草稿头进行了优化,该草稿头包含三个关键改进:用于语义规划的目标激活注入、用于减少内存和计算开销的零拷贝 KV 缓存交叉注意力,以及用于加速解码的高效聚类词汇投影。在与 Google 的 Gemma 模型测试时,G-MTP 在服务器设置上实现了高达 3.1 倍的速度提升,在 NVIDIA H100 GPU 上实现了高达 2.3 倍的速度提升,同时还证明了在内存受限环境中的有效性。 AI
影响 这种新架构可以显著加快 LLM 推理速度,使 AI 模型对于大规模部署和设备端应用都更加易于访问和高效。
排序理由 该项目描述了一篇关于 LLM 推理架构改进的新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →