GPT-4、Gemini系列、Llama-3等开闭源大模型，通常使用的是下一个token预测（Next-token Prediction）的损失函数进行预训练。

这种方法虽然强大，但有很多局限性，例如，需要大量的训练数据才能使模型达到人类儿童的智商，并且随着模型参数的增大推理效率会变差。

因此，Meta、巴黎理工大学和巴黎萨克雷大学提出了一种全新训练方法多token预测（Multi-token Prediction）， 在训练的过程中要求模型在每个位置上同时预测接下来的n个Token，以提升模型推理效率，并且不会增加预训练时间 。

研究人员在130亿、67亿、30亿等多种不同参数的模型对该技术进行了综合评估。结果显示，130亿参数模型在 HumanEval上解决问题能力提高了12%，在 MBPP上解决能力提高了17%，并且推理效率也更好。

论文地址：

多token预测架构介绍

为了有效实现多Token预测,研究人员设计了一种巧妙的模型架构。该架构包含一个共享的Transformer主干网络,用于从输入获取上下文表示。

然后该上下文表示被并行输入到n个独立的输出头网络中,每个输出头负责预测一个未来Token。在推理阶段,只需使用单个下一Token预测，输出头即可进行自回归生成。而其他输出头则可被用于加速模型的推理效率。

对于训练语料中的每个位置，模型需要使用独立的输出头预测接下来的n个Token。将多Token预测作为辅助训练任务，可以提高模型在代码和自然语言文本方面的任务性能，而不会增加训练时间。

降低GPU内存使用

为了解决多token预测可能导致GPU内存使用量增加的问题，研究人员开发了一种前向和后向传播顺序，模型能够减少在内存中同时存储的梯度数量，从而降低了内存使用量使得训练更加高效。

在前向传播过程中，模型会首先通过共享主干生成潜在表示，然后按顺序计算每个独立输出头的前向传播。对于每个输出头，计算完毕后立即进行后向传播，并释放该头的中间数据，而不是等到所有输出头的前向传播完成后才进行。

在每个输出头的后向传播中，累积梯度到共享主干，而不是在所有输出头计算完毕后才进行。这样可以确保在任何时候，内存中只存在一个输出头的梯度。

优化推理效率

研究人员发现，将多token预测与自推测解码相结合，可以进一步提升大模型的推理效率。与传统逐个token解码不同的是，自推测解码允许模型一次性生成多个token，然后利用额外的输出头并行验证和优化这些预测。

这种方法显著减少了模型生成文本所需的步骤，从而加快了模型的整体推理效率并减少了对算力的消耗。

研究人员在不同参数的模型实验了该优化效果，结果显示，比传统的优化推理效率提升了3倍左右。

原文链接:​ ​​ ​