今天小编分享的科学经验：LIama 3+Mamba强强联手！蒸馏到线性RNN，推理速度提升1.6倍，欢迎阅读。
把 Llama 3 蒸馏到 Mamba，推理速度最高可提升 1.6 倍！
而且性能不减，甚至表现比原始模型还要优异。
这是来自 Together AI 的新作，通过蒸馏将 Transformer 和 Mamba 模型结合到了一起，同时还为混合模型涉及了推理加速算法
提出 Mamba 架构的大神、FlashAttention 作者 Tri Dao，也参与了这一项目。
Together AI 创始人兼 CEO 表示，Transformer 和 Mamba 的混合，是未来大模型的一大发展方向。
将 Transformer 蒸馏进 Mamba
在蒸馏正式开始之前，需要先进行从 Transformer 到线性 RNN 的初始化。
作者观察到，Transformer 的注意力机制与 RNN 的计算之间存在一定的相似性。
因此可以将 Transformer 的注意力线性化，从而建立二者的联系。
利用这种对应关系，可以将预训练的 Transformer 模型的参数复制到 Mamba 模型中。
在完成参数初始化后，作者采用了一个三阶段的蒸馏流程进一步提升 Mamba 模型的性能，使其更好地学习 Transformer 的知识。
第一阶段是基于伪标签的蒸馏——使用预训练的 Transformer 教师模型在无标签数据上生成伪标签，然后让 Mamba 学生模型在这些伪标签上训练。
这一过程的损失函数结合了 KL 散度损失和交叉熵损失，分别用于模仿教师模型输出分布以及伪标签的拟合。
第二阶段是在指令数据集上进行的监督微调，使用带标签的指令数据集（如 OpenHermes 2.5）进行训练。
最后一个阶段，是用人类反馈数据，通过基于奖励模型进行优化。
作者收集了人类对模型输出的反馈数据，然后据此构建一个奖励模型并使用 RL 算法（如 PPO）来优化模型在该奖励模型下的表现。
在 8 块 80G A100 GPU 上，每个混合模型的整个蒸馏过程，只需不到五天的时间。
通过以上的蒸馏过程，作者得到了 Transformer-Mamba 混合模型，之后又提出了 Speculative Decoding（推测解码）算法来加速推理过程。
混合模型推理加速算法
推测解码算法的基本思想是使用一个轻量级的 Draft 模型来预测多个 token，然后再用验证模型（Verifier）来验证这些预测。
这样可以显著提高解码的并行性，加速生成过程。
Draft 模型通常是一个小的 Transformer，根据当前的上下文预测出接下来的 K 个 token。
对于预测出的 K 个 token，Transformer 层可以直接并行地处理这 K 个 token，计算它们的隐状态；
Mamba 层则需要按照顺序依次处理每个 token，首先计算当前 token 的隐状态，并将其与之前的隐状态进行比较。
如果当前 token 是正确的，则将其添加到已接受的序列中，并更新最新的隐状态（但不保存中间状态）。
如果当前 token 是错误的，则停止处理后续 token，并将最新的隐状态回退到上一个已接受的 token 处。
如果序列中的所有 K 个 token 都被接受，则将它们添加到输出序列中，并继续预测下一组 token。
如果有 token 被拒绝，则从第一个被拒绝的 token 处截断预测序列，并返回初始步骤从该位置开始重新预测。
Llama 3 推理速度提升 1.6 倍
测试结果表明，混合模型在单论（AlpacaEval）和多轮（MT-Bench）聊天对话任务上与 Llama-3 相当甚至更优。
并且还对不同混合比例的模型表现进行了测试，发现其中按照 1:1 比例混合的模型表现最佳。
在零样本的通用 NLP 任务评测中，混合模型的平均成绩优于同等规模的 RNN 模型。
在少样本的 OpenLLM Leaderboard 榜单上，混合模型的表现与最好的开源 RNN 模型相当，并在 GSM8K 和 CRUX 任务上超过了对应的 Instruct 模型。
除了模型性能，作者也对推测解码算法带来的加速效果进行了测试。
首先测试的是纯 Mamba 模型，结果在 2.8B 和 7B 的模型上，相比原来的解码方式，推理速度提升了 1.7-2.6 倍。
进一步地，作者在蒸馏的 Zephyr 和 Llama 混合模型上进行了测试，结果 Zephyr 混合模型的推理速度提升了 1.8 倍以上，Llama 混合模型也有 1.6 倍左右的加速。
论文地址：
https://www.together.ai/blog/the-mamba-in-the-llama-distilling-and-accelerating-hybrid-models
