当前位置：首页 > backend >正文

基于medusa范式的大模型并行解码推理加速初探

backend 2025/5/20 2:18:46

一、基于Medusa的投机解码加速

1.1 Blockwise Parallel Decoding

Medusa受到了Noam Shazeer在2018年的工作“Blockwise Parallel Decoding”的启发。Blockwise Parallel Decoding是一种解码方法，旨在加速大型语言模型（LLMs）的推理过程。它通过并行生成多个token来提高解码速度，而不是像传统的自回归解码那样逐个生成token。这种方法可以显著减少生成文本所需的时间，同时保持生成质量。

Blockwise Decoding通过在decoder之后加入三个简单的输出层来生成不同token位置对应的logits。在具体实现中，输入会正常通过模型的各个隐藏层，在最后一层后将最终的hidden states传给不同的输出层，用以生成不同位置的token。作者认为，在某些任务中，大模型具备同时预测多个位置的token的能力。

Blockwise Decoding的局限性：该框架作为多头解码范式的开山之作，存在一些局限：

- 这里只使用了一个简单的映射层作为解码头。

- 这里的采样只能选择top-1的greedy sampling（贪婪采样）。

1.2 Medusa模型

- Medusa基于多头解码范式进行了进一步的继承和发展

medusa核心要点：

受到bockwise parallel decoding的启发，在LLM模型基础上增加几个 medusa head，每一个head预测下一个token。
解除bockwise parallel decoding中使用top-1采样的限制，medusa 每个head使用top-k的结果，不同head的候选集合组成一个树状的笛卡尔集。原始模型验证这个笛卡尔集使用改进Mask的Tree Attention方法，从而增大并行解码被验证接受的概率。
和之前的验证方式不一样，medusa选择了使用一个阈值来判断是不是被接受！具体可以参看medusa代码中的evaluate_posterior函数

主要思想是在正常的LLM的基础上，增加几个解码头，并且每个头预测的偏移量是不同的，比如原始的头预测第i个token，而新增的medusa heads分别为预测第i+1，i+2...个token。如上图，并且每个头可以指定topk个结果，这样可以将所有的topk组装成一个一个的候选结果，最后选择最优的结果。

计算每个头组装之后的候选的最优解，其实这时候完全可以每个候选都走一次模型，算出概率，但是很显然不可能这样做，因为本来方案是为了加速，作者设计了一种tree attention的机制，可以做到只走一次模型来达到目的，如示例所示，第一个medusa heads的 top-2 预测和第二个medusa heads的 top-3 预测产生 2*3=6 个候选。假设原始的LLM输出是[0]，第一个头是[1,2]，第二个头是[3,4,5]。期望直接能把[0,1,2,3,4,5]，输入模型就能得到一些概率的信息，但是不同的头对应的token的父节点是不同的，所以对应不同头的token, 他们的深度信息是不一样的。这样子就构建了一个tree attention mask 矩阵。

下图展示了Tree Attention的例子。其中我们使用来自第一个Head的前2个预测，和来自第二个的前3个预测，如下所示。在这种情况下，第一个头部的任何预测都可以与第二个头部的任何预测配对，最终形成一个多层树结构。这棵树的每一层都对应于一个Medusa Head的预测。在这棵树内，Attention Mask需要新的设计，该Mask只限制对一个token的前面token的注意力，也就是该token 只能获取到改token之前和本身的attention信息，之后的和不是一条组合的信息是不能获取到的。如下例子中，Attention Mask大小是（2+2*3）*（2+2*3) =8*8。”is , the“这三个token分别attention to It和I两个token。同时，要为相应地为position embedding设置正确的位置索引。

第一次用美杜莎头解码的时候，是看不到前面i个token的，而再次输入模型可以看到完整的上文，得到完整的概率之后，可以通过头计算得到树的路径信息，比如示例对应的路径index是[0,1,3] , [0,1,4], [0,1,5], [0,2,6]，然后基于后验概率得到最优的候选片, 每个token的概率分布，通常是和一个预设阈值进行比较。从 head-1 开始依次判断，如果 head-n 的评分分数满足阈值条件，就接受其预测 token。如果没有任何 head 满足要求，就默认只生成一个 token，也就是LM 头生成的token。

空白表示是不能获取的。

1.3 Medusa 多头并行解码总结

树注意力机制：
- 树注意力机制通过树状结构来组织所有候选的token。
- 每个token只能看到自己当前路径上的prefix（前缀），确保每条路径互不干扰。
掩码（Masking）：
- 通过掩码技术实现每个token只能看到自己当前路径上的prefix，从而确保每条路径互不干扰。
Medusa模型：
- Medusa模型引入了树注意力机制，通过这种方式，Medusa只需要对这些候选进行一次forward pass（前向传播）就能对所有路径并行地实现验证（verify)。
- Medusa不保证和原始top-p相同Sampling分布，而是设计一个朴素地基于阈值的方法。因为这种方法并不和创新解码等价，大家对它的接受程度还有待验证。