Better Faster Large Language Models via Multi-token Prediction 原理

模型结构：

Memory-efficient implementation：

实验：

1. 在大规模模型上效果显著：

2. 在不同类型任务上的效果：

为什么MLP对效果有提升的几点猜测：

1. 并非所有token对生成质量的影响相同

2. 关键选择点的权重累积机制

3. 从互信息的角度解释

4. 因果语言模型的传统因子化顺序

屈折语中的语法一致性挑战

非因果因子化顺序的优势（多token预测提升对复杂语法结构（如屈折、一致关系）的处理能力）

通过隐式建模非因果依赖，减少因局部错误导致的全局矛盾

问题：

模型结构：

单token预测：

多token预测：

model $P_{\theta}$ 应用一个共享trunk来针对 $x_{t:1}$ 产生一个latent 表示 $z_{t:1}$ ,接着送入到n个独立的head来并行预测未来n个tokens。

其中：

Memory-efficient implementation：

由于词表大小V远大于维度d，所以logit的计算,由(d,V)变化为 (d,V*N),是GPU memery使用的瓶颈。解决办法为序列话的计算每个独立输出头 $f_i$ 的前向和反向传播过程，在trunk进行梯度累加。在计算 $f_{i+1}$ 之前 $f_i$ 的计算已经被释放掉。将CPU的memery峰值从 $O(nV+d)$ 降低为 $O(V+d)$ 。

实验：

1. 在大规模模型上效果显著：

小规模模型的局限性

模型容量不足：小模型（如百万或十亿参数级）难以同时捕捉多个时间步的复杂依赖关系。多令牌预测需要模型理解长距离上下文和跨步关联，这对小模型来说过于困难。
边际收益低：在小规模实验中，多令牌预测可能仅带来微弱的效果提升（如困惑度略微下降），无法证明其额外计算成本是合理的。

2. 在不同类型任务上的效果：

2.1在choice task上面没有提升性能，可能需要放大模型大小才能看到效果。

2.2 在抽象文本总结任务上有提升：

2.3:归纳能力：随着模型大小增大，两者能力趋于相同。

为什么MLP对效果有提升的几点猜测：

1. 并非所有token对生成质量的影响相同

在语言模型生成文本时，某些token的决策对整体质量至关重要，而另一些则影响较小（如风格变化）。

关键选择点（Choice Points）：影响文本高层语义的token（例如问答中的核心术语、逻辑转折词），错误会导致回答偏离主题。
无关紧要的token（Inconsequential Transitions）：仅影响局部风格（如近义词替换），不影响后续内容。

2. 关键选择点的权重累积机制

关键选择点（如位置 t）的决策错误会直接影响后续多个token的生成。例如：

若模型在 t 处预测错误，可能导致 t+1,t+2,…,t+n 的预测全部偏离正确路径。
此时，总损失中会包含 Lt+1,Lt+2,…,Lt+n，这些损失均与 t 处的错误相关。

数学推导（以n=5为例）：

关键选择点（如位置 t）的错误会影响后续5个token的预测，其总权重为：
$\sum^5_{k=1}=\frac{5*(5+1)}{2}=15$
这里的权重 k 表示第 k 步的损失对关键点的梯度贡献。
无关紧要的token（如位置 t+1）仅影响后续4个token，总权重为 $\sum^4_{k=1}1=4$ ，但实际实现中可能简化为固定权重 n。

多token预测的损失函数在反向传播时，关键点的梯度会从多个未来位置的损失中累积：

传统自回归：位置 t 的错误仅通过 Lt+1的梯度更新参数。
多token预测：位置 t 的错误通过 Lt+1,Lt+2,…,Lt+n 的梯度叠加更新参数，形成更高的有效权重(梯度在反向传播时会自然累积到共同依赖的关键点上)。

例如，若位置 t 是生成回答中的核心术语（如“量子力学”），其错误会导致后续所有相关解释偏离正轨。此时，模型从多个未来位置的损失中接收到更强的信号，迫使它优先学习正确预测此类关键点。

3. 从互信息的角度解释

还没完全理解，理解后再更新

4. 因果语言模型的传统因子化顺序

基本公式：因果语言模型（如GPT）将文本序列的联合概率分解为自回归形式，即按时间顺序逐个预测下一个token
特点：生成顺序严格从前向后（如首先生成 x1，再基于 x1 生成 x2，依此类推）。
局限性：某些语言结构（如屈折语中的语法一致性）需要逆向或跳跃式依赖，传统顺序可能不高效。

屈折语中的语法一致性挑战

示例：德语句子
Wie konnten auch Worte meiner durstenden Seele genügen?
包含以下语法依赖：
1. 动词 genügen 要求其宾语为与格（Dative Case）。
2. 名词 Seele 为阴性单数与格，因此所有修饰成分（如物主代词 meiner 和分词 durstenden）必须与其在性、数、格上一致。
关键矛盾：
- 传统自回归顺序需先生成 meiner 和 durstenden，再生成 Seele 和 genügen。
- 但实际上，后续的 genügen 和 Seele 的语法要求决定了前面的 meiner 和 durstenden 的形式。

非因果因子化顺序的优势（多token预测提升对复杂语法结构（如屈折、一致关系）的处理能力）

逆向推理：若模型能先预测后续关键token（如 genügen 和 Seele），再生成前面的修饰词（如 meiner 和 durstenden），可更高效确保语法一致性。
示例中的理想顺序：
主句→genu¨gen→Seele→meiner→durstenden主句→genu¨gen→Seele→meiner→durstenden
优势：先生成核心动词和名词，再根据其语法要求调整修饰词形态，避免回溯错误。

通过隐式建模非因果依赖，减少因局部错误导致的全局矛盾

传统单步预测：模型仅基于上文生成下一个token，无法显式利用后续token的语法信息。
多token预测（如4-token）：
1. 强制模型在生成当前token时，潜在表示（latent activations）中需编码后续多个token的信息。
2. 例如，生成 meiner 时，模型已隐式预判后续的 durstenden、Seele、genügen 的语法要求，从而正确选择与格阴性单数形式。
训练机制：多token预测损失函数要求模型同时预测多个位置，迫使潜在表示包含未来上下文信息。