近日，蚂蚁集团开源了一套新算法，可帮助大模型在推理时，提速2至6倍，引起业内关注。
☞☞☞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：新算法在不同开源大模型上的提速表现。
这套新算法名为Lookahead推理加速框架，能做到效果无损，即插即用，该算法已在蚂蚁大量场景进行了落地，大幅降低了推理耗时。
以Llama2-7B-chat模型和Dolly数据集为例，我们进行了实测，并发现token生成速度从48.2个/秒提升到112.9个/秒，提速了2.34倍。在蚂蚁内部的RAG（检索增强生成）数据集上，百灵大模型AntGLM 10B版本的加速比达到了5.36。与此同时，显存增加和内存消耗几乎可以忽略不计。
当前的大型模型通常基于自回归解码，每次只生成一个token。这种方式不仅浪费了GPU的并行处理能力，还导致用户体验延迟过高，影响了流畅度。为了改善这一问题，可以尝试采用并行解码方式，同时生成多个token，以提高效率和用户体验。
举个例子，原来的token生成过程可以比喻为早期中文输入法的方式，用户需要一个字一个字地敲击键盘来输入文字。然而，采用了蚂蚁的加速算法后，token生成的过程就像是现代联想输入法，可以通过联想功能直接蹦出整句话来。这样的改进大大提高了输入速度和效率。
业内此前已经涌现了一些优化算法，主要关注于生成更优质的草稿（即猜测生成token序列）的方法。然而，经过实践验证，一旦草稿的长度超过30个token，端到端推理的效率就无法再进一步提高。很明显，这个长度并没有充分发挥GPU的计算能力。
为了进一步提升硬件性能，蚂蚁Lookahead推理加速算法采用了多分支的策略。这意味着草稿序列不再只有一条分支，而是包含多条并行的分支，这些分支可以同时进行验证。这样一来，在保持前向过程的耗时基本不变的情况下，可以增加一次前向过程生成的token个数。
蚂蚁Lookahead推理加速算法通过利用trie树存储和检索token序列，以及合并多条草稿中相同的父节点，进一步提高了计算效率。为了提高易用性，该算法的trie树构建不依赖额外的草稿模型，而是只利用推理过程中的prompt和生成的回答进行动态构建，从而降低了用户的接入成本。
该算法现已在GitHub上开源（https://www.php.cn/link/51200d29d1fc15f5a71c1dab4bb54f7c），相关论文公布在ARXIV（https://www.php.cn/link/24a29a235c0678859695b10896513b3d）。
公开信息显示，蚂蚁集团基于丰富的业务场景需求，在人工智能方向持续投入，布局了包括大模型、知识图谱、运筹优化、图学习、可信AI等技术领域。
