自然语言常用的自回归解码方法

本文为大家分享自然语言生成中的解码方法，主要包括两部分：自回归生成中常用的解码方法，以及适用于大模型推理加速的speculative decoding方法。

1. 自回归生成中常用的解码方法

在生成文本序列时，由于全局搜索整个序列所需的计算成本极高，我们通常使用自回归生成（autoregressive generation），即逐个生成token，如下图所示。目前最常用的解码方法（即选择token的方法）包括：贪心搜索、波束搜索、top-k采样和top-p采样。此外，本文也会介绍通过改变概率分布来控制生成效果的temperature和repetition penalty。

贪心搜索（Greedy Search）

在每个时间步，我们会基于已生成的文本来计算词表中各词语的概率分布，最直接的方法就是选择概率最大的词。

贪心搜索的生成速度很快，短序列看起来效果也还可以，但很快就会出现语言不流畅、重复、缺乏多样性等问题。其主要问题是可能会忽略那些低概率词后可能出现的高概率词。比如在下图示例中，整体概率更高的序列“The dog has”就被漏掉了。

波束搜索 (Beam search)

为了解决上述问题，人们引入了波束搜索的方式。也就是在每一步中，都保留概率最高的k个序列，如下图所示。

在选择beam size时，较小的值会使解码速度更快，但生成的结果可能会出现与贪心搜索类似的问题。较大的值可以缓解这些问题，但计算成本会增加。而且对于对话生成等开放领域任务，较大的beam size还可能会倾向于生成更通用的回复。

总的来说，beam search在机器翻译、文章摘要等任务中效果较好。但是，由于它仍然是基于最大概率的方法，所以不适用于需要多样性和创造力的开放域任务。

Top-K采样 (Top-K sampling)

为了使生成的文本更具创新性和多样性，人们在选择token的策略中引入了一定的随机性，也就是从一部分词中进行随机采样。最基础的方法就是top-k采样，即选择概率最高的k个词，基于这些词的概率分布进行采样。

在选择k值时，较大的值会使生成的内容更具多样性，但可能会生成不合理的内容；较小的值则使生成的内容多样性较低，但质量更有保证。我们可以根据任务的不同选择合适的k值。

由于top-k采样的k值是固定的，不同的概率分布可能会带来不同的问题。如图所示，当概率分布较平坦时（上半图），top-k采样可能会剔除许多概率相近的合理词语；而当概率分布较陡峭时（下半图），可能会保留一些概率很低的不合理词语。因此，我们可以考虑动态调整k值，也就是实施top-p采样。

Top-P采样 (Top-p sampling)

如上文所述，top-p采样的思路是根据具体的概率分布情况来调整k值的选择。具体地，从累积概率超过某个阈值 p 的k个词中进行随机采样。基于此，以上讨论的两种问题都能得到解决。

Temperature

除了改变选词策略，我们还可以通过调整概率分布来改变生成效果，一个常用的思路是在概率分布的Softmax函数中引入Temperature参数（下图公式中的τ）。

Temperature的取值一般在0-1之间，值越大，概率分布越平缓，生成的序列更具多样性，适合于需要创造性的任务；值越小，概率分布越陡峭，生成的序列更稳定，适合于需要准确度的任务。

Repetition Penalty

在文本生成中，重复性高是一个常见问题。一个常用的解决方法是降低已生成词的概率，即在Softmax函数中对已生成的词额外除以一个θ。一般来说，该值取1.1或者1.2即可。

2. Speculative Decoding方法

在大模型的时代，随着模型参数量增加，生成token所需的访存时间大大增加，传统的串行式的自回归生成方法不再适用。为了提高大模型的推理速度，近年来，许多研究开始关注speculative decoding，一种Draft-then-Verify的解码方法。如下图所示，在Draft阶段，先用更高效的方式生成长度为k的序列；然后在Verify阶段，将该序列输入大模型，一次性验证这k个token是否合理，并修改不合理的token。

该方法的动机主要源于两点：（1）序列中的许多简单词可以用更有效、更简单的方法生成。例如，在以下序列"Geoffrey Hinton did his PhD at the University of Edinburgh."中，"of"很容易判断，我们完全可以使用1B的模型来代替100B的模型；（2）传统自回归生成的推理过程主要受限于访存速度，即生成每个token时都需要等待LLM的参数读写。使用draft-then-verify的思路，虽然目标大模型的计算量没变，但是内存访问时间大大降低了。

为了更清晰地展示speculative decoding的过程，我们以下图为例。在每一步，Draft阶段会生成5个token，绿色的是目标模型确认的token，红色是目标模型第一个拒绝的token，蓝色是经过修正的token（注意，第一个被拒绝的token之后的所有token都将被丢弃）。比如第一步，Draft阶段生成了5个token，目标模型接受输入 "[START] Japan ’ s benchmark bond"，计算每个token位置对应的概率分布，然后拒绝了 "bond"，并基于概率分布采样，将其改为 "n"。

可以发现，在Speculative Decoding中有三部分具体策略：（1）Draft策略，例如使用更小的、与目标模型分布接近的模型进行自回归生成；（2）Verify策略，例如判断候选词是否是目标模型中概率最大的词；（3）Correct策略，例如使用greedy decoding或者contrastive decoding。近期关于speculative decoding的综述 [3] 中对不同的方法进行了详细的总结。

 

总结

本文总结了最常用的自回归解码方法。进行自回归文本生成时，大家可以根据各方法的原理调整参数。此外，本文介绍了一种提升解码效率 (efficiency) 的方法，即speculative decoding方法。除此之外，还可以从提升解码质量（quality）、可控性 (controllability)、多样性 (diversity)、可信度 (faithfulness) 等方面继续进行相关研究探索。

审核编辑：黄飞