AAAI 2025 | 大模型推理加速新范式：加速比高達3.51倍、成本降至1/3

翼支付全新「增強半自回歸投機解碼框架」。

原標題：AAAI 2025 | 大模型推理加速新范式：加速比高達3.51倍、成本降至1/3
文章來源：機器之心
內容字數：6782字

中國電信翼支付AAAI 2025論文：Falcon大模型推理加速框架

本文總結了中國電信翼支付發表在AAAI 2025上的論文《Falcon: Faster and Parallel Inference of Large Language Models through Enhanced Semi-Autoregressive Drafting and Custom-Designed Decoding Tree》的核心內容。該論文提出了一種名為Falcon的增強型半自回歸投機解碼框架，顯著提升了大型語言模型(LLMs)的推理速度。

1. 研究背景：LLMs推理速度瓶頸

大型語言模型在各種任務中表現出色，但其自回歸(AR)解碼方式導致推理速度慢、計算開銷大。投機解碼(Speculative Decoding)方法應運而生，它使用輕量級的Draft Model預先生成候選Token，再由原始LLM進行驗證，從而實現并行解碼，提升效率。然而，現有的AR和SAR Draft策略都存在不足：AR Draft并行性差，SAR Draft的Token接受率低。

2. Falcon框架：增強半自回歸投機解碼

為了解決上述問題，翼支付提出了Falcon框架。它包含三個主要組件：Embedding Layer、LM-Head和半自回歸解碼Head。Falcon的核心在于：

1. Coupled Sequential Glancing Distillation (CSGD)： 通過將真實Token和隱藏狀態重新注入解碼過程，提高SAR Draft Model的Token接受率，增強了對Token間關系的理解。
2. Custom-Designed Decoding Tree (CDT)： 允許Draft Model一次前向傳播生成多個Token，并支持多次前向傳播，有效提升了LLM對Token的接受率，加快了推理速度。它采用了一種特殊的因果掩碼，允許模型訪問同一block內的Token及之前的連續Token。

Falcon的架構圖清晰地展示了這三個組件的交互方式以及CSGD和CDT方法在其中的作用。

3. 實驗結果：顯著的加速效果

實驗結果表明，Falcon在多個數據集和模型上都取得了優異的性能，實現了約2.91-3.51倍的加速比，將推理成本降低到約原來的三分之一。

4. 業務應用：落地翼支付多個業務

Falcon技術已應用于翼支付的大模型產品InsightAI平臺，并服務于數字人客服、借錢-翼小橙、人力-翼點通、財務-翼小財等多個業務。

5. 總結：突破LLMs推理瓶頸

Falcon框架通過CSGD和CDT的巧妙結合，有效解決了LLMs推理速度瓶頸問題。它在提升Draft Model準確率、采樣效率和LLM驗證效率方面取得了顯著進展，為大模型的實際應用提供了強有力的支撐。

聯系作者

文章來源：機器之心
作者微信：
作者簡介：專業的人工智能媒體和產業服務平臺