α片

电脑版下载

57311
7

α片截图Q8X2R7L1T4J5M9B6W3

内容详情

α片

随着大模子步入规�；τ蒙钏�，日益高昂的推理本钱与延迟已成为掣肘工业落地的焦点瓶颈。在 “降本增效” 的行业共识下，从量化、剪枝到模子蒸馏，种种压缩手艺竞相涌现，但往往难以兼顾性能消耗与通用性。

在此配景下，投契采样作为一种 “另辟蹊径” 的推理加速范式，正依附其近乎无损的加速效果成为业界新宠。腾讯混元克日升级的AngelSlim 训练框架，首次将这一手艺的潜力拓展至 LLM、VLM 及语音的全模态场景，实现了从 “可加速” 到 “善加速” 的要害跃迁。其焦点在于独创的Eagle3 训练架构，通过让小模子学会 “前瞻性” 地为大模子起草多步候选 token，再由大模子并行验证，一举将大模子解码阶段的算力冗余转化为提速动能，实测最高可带来1.9 倍的推理速率飙升。这不但是一次手艺升级，更是对下一代高效推理基础设施的主要界说，为多模态 AI 应用的实时化、普惠化铺平了蹊径。

一、AngelSlim + 投契采样

投契采样是一种通过小模子多步展望 + 大模子一步验证的推理加速手艺，其焦点头脑是：使用一个轻量级的底稿模子天生多个候选 token，由目的模子对候选效果举行并行验证是否接受，以此来并行解码加速，在有用使用大模子解码阶段的算力冗余，提升推理吞吐并降低单请求延迟。

AngelSlim 是一款集成了包括量化、投契采样等压缩算法，面向全模态的大模子压缩算法工具包。此次对投契采样训练举行了重磅升级，支持了大语言、多模态明确、语音等差别模态大模子投契采样底稿模子训练能力。

AngelSlim 以 “Eagle3 训练即安排” 为设计焦点，提供从数据处置惩罚、模子封装到投契采样算法训练的完整链路，资助开发在不侵入现有模子结构的条件下，显著降低推理时延与盘算本钱，各模态、种种大模子加速可达 1.4-1.9 倍。

Github 开源地点：https://github.com/Tencent/AngelSlim

二、焦点亮点

1. 笼罩从文生文、多模态明确到语音的全模态投契采样训练

AngelSlim 是一个从设计之初就支持全模态的投契采样训练框架，通过统一的训练接口，差别模态之间共享焦点算法与工程能力，阻止重复造轮子。

2. 面向安排

AngelSlim 并不止步于 “能训”，而是强调训出来就能用。AngelSlim 训练产出的模子可以无缝用于 vLLM/Sglang 等框架举行安排。

三、焦点训练组件剖析

1. 数据处置惩罚�？�

数据处置惩罚�？槲镀醪裳盗范喔瞿Ｌ峁┪裙獭⒖筛从玫氖莼�，主要包括：

a. 数据重采样：针对漫衍外数据集重新采样，生身漫衍内数据集用以训练。

b. 数据预处置惩罚：

i. 统一差别模态的数据名堂，将文本、图像、音频等输入标准化处置惩罚成 token ids 和 loss mask。

ii. 底稿模子裁剪词表的映射。

c. 隐藏特征提�。浩局ごχ贸头：玫� token ids 获取对应的隐藏特征。

2. 模子�？�

模子�？槭� AngelSlim 实现高度扩展性的要害。

a. 统一的 TargetModel 接口

i.AngelSlim 提供统一的 TargetModel 接口，包括模子加载与权重治理、前向盘算、中心层 / 隐状态特征提取等笼统要领；

b. 低本钱扩展新的模子后端

ii. 关于新的模子架构或后端，用户只需实现 TargetModel 中界说的笼统要领即可完成模子注册并接入训练流程，无需修改训练器或焦点算法代码。这一设计极大降低了对新模子、新模态的适配本钱。

3. 训练器�？�

a. 训练器针对 Eagle3 算法特点设计了两种训练模式：在线训练和离线训练。在线与离线训练的区别在于是否预先天生并存好全量数据的 hidden states。在线训练适合小尺寸模子或显存足够的场景，离线训练适合大尺寸模子、低显存高磁盘空间机械。

b. 训练器实现封装了 Eagle3 等投契采样算法训练的要害逻辑：

i. 训练时测试（training-time-test）：训练时模拟 Eagle3 模子多步天生历程，让 Eagle3 模子看到并学习使用自己的展望。

c. 训练器原生支持断点续训能力，完整生涯并恢复：

i. 底稿模子参数

ii.Optimizer/ LR Scheduler 状态以及训练进度

四、实践与安排

1. 快速最先

当装置好 AngelSlim 后，进入 AngelSlim 根目录凭证如下下令可以快速最先 Eagle3 的训练：

# 启动vLLM 效劳

bash scripts/speculative/run_vllm_server.sh

# 天生训练数据

bash scripts/speculative/generate_data_for_target_model.sh

# 最先在线训练

bash scripts/speculative/train_eagle3_online.sh

其中前两条下令是准备数据，对训练数据举行重采样，天生目的模子漫衍内的数据。这一步是可选项，若是训练数据已经是来自目的模子的 SFT 数据或自身天生的数据，这一步可跳过。对 Eagle3 模子举行训练直接执行最后一条下令即可，更多进阶的使用指南可以拜见我们的文档。

我们提供了周全的多模态模子 Eagle3 训练与安排指南，支持 LLM / VLM / Audio (ASR & TTS) 模子。

详见：https://angelslim.readthedocs.io/zh-cn/latest/features/speculative_decoding/eagle/eagle.html

2.AngelSlim 训练模子的加速体现

我们使用 vLLM 在代码、数学、指令追随、文本天生、多模态明确等使命上评测了 AngelSlim 所训练的 Eagle3 模子，设置 num_speculative_tokens=2 or 4 下我们所训的模子吸收长度可达 1.8-3.5，最高加速可达 1.4-1.9 倍。

3. 代码和模子链接

AngelSlim 代码 Github 开源客栈：https://github.com/Tencent/AngelSlimHugging-Face Eagle3 模子与权重：https://huggingface.co/collections/AngelSlim/eagle3

五、未来妄想

在未来妄想中，我们将从工具与算法两个层面一连推进投契采样能力演进：工具方面，妄想支持基于 vLLM 的离线 hidden states 天生，以进一步降低数据构建与训练本钱，并通过系统性的训练加速优化提升整体训练效率；算法立异方面，将探索多模态明确与语音输入信息在 Eagle3 模子中的深度融合，统一建模文本、视觉与语音特征，拓展投契采样在全模态场景下的适用性与加速潜力。