蘋果公司昨日(12 月 18 日)發(fā)布博文，宣布和英偉達(dá)(Nvidia)合作，通過開源 Recurrent Drafter(ReDrafter)推測解碼方法，顯著提升了 AI 大語言模型（LLM）的推理速度。

　　蘋果公司表示 ReDrafter 已集成到 NVIDIA TensorRT-LLM 推理加速框架中，在 NVIDIA GPU 上，每秒生成 tokens 速度最高提升 2.7 倍，有效降低了用戶延遲和計(jì)算成本。

　　蘋果的機(jī)器學(xué)習(xí)研究人員指出，LLM 越來越多地用于驅(qū)動(dòng)生產(chǎn)應(yīng)用程序，提高推理效率對降低計(jì)算成本和用戶延遲至關(guān)重要。

　　援引蘋果官方博文，ReDrafter 使用 RNN 草稿模型，結(jié)合波束搜索(beam search)與動(dòng)態(tài)樹注意力(dynamic tree attention)，可以讓開源模型每步生成最多 3.5 個(gè) tokens，超越了先前推測性解碼技術(shù)的性能。

　　為將 ReDrafter 應(yīng)用于生產(chǎn)環(huán)境，蘋果與 NVIDIA 展開合作，將其集成到 NVIDIA TensorRT-LLM 框架中。

　　英偉達(dá)為此添加了新的運(yùn)算符并公開了現(xiàn)有運(yùn)算符，增強(qiáng)了 TensorRT-LLM 對復(fù)雜模型和解碼方法的適應(yīng)性。

　　基準(zhǔn)測試結(jié)果顯示，在 NVIDIA GPU 上使用集成了 ReDrafter 的 TensorRT-LLM 框架，數(shù)百億參數(shù)規(guī)模的生產(chǎn)模型的解碼速度提升了 2.7 倍。這不僅降低了用戶體驗(yàn)延遲，還減少了 GPU 使用數(shù)量和功耗。