code llama一出，大家都期待有人能继续进行量化瘦身，幸好它可以在本地运行
果然是llama.cpp作者Georgi Gerganov出手了，但他这回不按套路出牌：
在不进行量化的情况下，即使使用FP16精度，Code LLama的34B代码也能在苹果电脑上运行，并且推理速度超过每秒20个token
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
图片
现在只需使用具有800GB/s带宽的M2 Ultra，就可以完成原本需要4个高端GPU才能完成的任务，而且编写代码的速度也非常快
老哥随后揭示了秘诀，答案非常简单，就是进行投机采样（speculative sampling/decoding）
图片
触发了许多行业大咖的关注
OpenAI创始成员Andrej Karpathy评价这是一种非常出色的推理时优化，并给出了更多技术解读。
范麟熙，一位英伟达科学家，也认为这是每个从事大模型工作的人都应该熟悉的技巧
图片
GPT-4也在用的方法
在使用投机采样的人不仅限于本地运行大型模型的人，谷歌和OpenAI等超级巨头也在使用该技术
根据之前泄露的资料，GPT-4就用了这个方法来降低推理成本，不然根本承受不起这么烧钱。
图片
而最新爆料表示谷歌DeepMind联手开发的下一代大模型Gemini很可能也会用。
尽管OpenAI的具体方法保密，但谷歌团队已经发布了相关论文，并且该论文入选了ICML 2023口头报告
图片
方法很简单，先训练一个与大模型近似、更便宜的小模型，让小模型先生成K个token，然后让大模型去做评判。
大模型可以直接使用已接受的部分，并由大模型修改不接受的部分
在原始的研究中，使用了T5-XXL模型进行演示，并且在保持生成结果不变的情况下，获得了2-3倍的推理加速
图片
Andjrey Karpathy把这个方法比喻成“先让小模型打草稿”。
他解释了这个方法有效的关键之处在于，将大型模型分别输入一个token和一批token，预测下一个token所需的时间几乎相同
每个token都依赖于前一个token，因此在正常情况下无法同时对多个token进行采样
小模型虽然能力较差，但实际生成一个句子时有很多部分是非常简单的，小模型也能胜任，只有遇到困难的部分再让大模型上就好了。
原论文指出，可以直接加速现有的成熟模型，而无需改变其结构或重新进行训练
对于不会降低精度这一点，在论文附录部分也给出了数学论证。
图片
了解了原理，再来看Georgi Gerganov这次的具体设置。
他使用4bit量化的7B模型作为“草稿”模型，每秒约能生成80个token。
FP16精度的34B模型单独使用时，每秒只能生成10个token
在使用投机采样方法之后，我们获得了2倍的加速效果，这与原论文中的数据相一致
图片
他额外表示，速度可能会根据生成的内容而有所不同，但在代码生成上非常有效，草稿模型能猜对大多数token。
图片
最后，他还建议Meta以后在发布模型时直接把小的草稿模型附带上吧，受到大伙好评。
图片
作者已创业
Georgi Gerganov是作者，他在今年三月将LlaMA的第一代移植到了C++上。他的开源项目llama.cpp已经获得了接近4万颗星星
图片
他最初只是把这个当作一个业余兴趣，但由于反响热烈，他在6月份宣布创业
新公司ggml.ai致力于在边缘设备上运行AI。该公司的主打产品是llama.cpp背后的C语言机器学习框架
图片
在创业初期，我们成功获得了来自GitHub前首席执行官Nat Friedman和Y Combinator合伙人Daniel Gross的种子前投资
LlaMA2发布后他也很活跃，最狠的一次直接把大模型塞进了浏览器里。
图片
请查看谷歌的投机采样论文：https://arxiv.org/abs/2211.17192
参考链接：[1]https://x.com/ggerganov/status/1697262700165013689 [2]https://x.com/karpathy/status/1697318534555336961
