一、当前LLM训练和推理遇到了哪些瓶颈
训练效率低下：传统的LLMs训练依赖于下一个Token的预测损失，但这种方法在推理能力方面存在效率低下的问题。
推理能力有限：模型在处理复杂推理任务时，往往受限于局部模式识别，缺乏对长期依赖性的把握。
生产速度慢：在推理时，现有的LLMs通常采用自回归生成，速度较慢
因此，Meta提出一种新的训练方法：
让模型在训练语料的每个位置同时预测接下来的n个Token, 每个独立的token各自计算交叉计算损失。
n个Token独立的输出头，又基于共享模型主干来并行预测每个未来的Token。
为了加速推理，提出一种高效的内存使用策略，通过调整前向和后向传播的顺序来减少GPU内存占用。将峰值GPU内存占用从O(nV + d)降低到O(V + d)，显著减少了内存需求，而且没有牺牲模型的运行时间。
二、加速推理的策略
在当前的大型语言模型（LLMs）中，词汇表的大小V远大于潜在表示的维度d，因此，Logit向量成为GPU内存使用的瓶颈。如果简单的实现多Token预测器，所有Logit及其梯度形状都是(n, V)，这严重限制了批量计算以及GPU内存均衡的使用率。
因此，通过调整前向和后向操作的顺序，在通过共享主干进行前向传递后，顺序地计算每个独立输出头的前向和后向传递，累积在主干的梯度上。虽然这样做会为输出头创建Logit（及其梯度），但这些在继续下一个输出头之前会被释放，只需要长期存储d维主干梯度即可。
操作顺序如下图所示：
三、亮点与不足
亮点
创新的训练方法：提出的多Token预测方法为LLMs的训练提供了一种新的视角。 显著的性能提升：实验结果表明，该方法在编码和自然语言模型上都取得了显著的性能提升。 推理速度的大幅提升：多Token预测模型在推理时能够实现更快的解码速度，对于实时应用具有重要意义。
不足
模型规模的依赖性：多Token预测的优势在较大规模的模型上更为明显，对于小型模型可能效果有限。 任务适用性：虽然在编码和某些自然语言处理任务上取得了成功，但该方法在其他类型的任务上的表现仍需进一步研究。 实现复杂性：多Token预测的架构和训练过程相对复杂，需要对现有训练框架进行调整。