腾讯AngelSlim升级，LLM、VLM及语音多模态一体投契采样训练框架

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。

《欧美干干图》，《Q8X2R7L1T4J5M9B6W3》

鉂わ笍鉂わ笍鉂わ笍馃毇馃毇馃毇馃敒馃敒馃敒馃敒馃毇馃毇馃埐馃埐馃埐

“17c.13.nom登录入口网页”

永久免费的男女啪啪啪视频

……

01月18日

“观看在线黄色网址”问界发布山西M7事故说明

↓↓↓