ترجمه فارسی مقاله تقویت رمزگشایی گمانه‌زنی بدون تلفات از طریق نمونه‌برداری ویژگی و تقطیر هم‌ترازی جزئی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Boosting Lossless Speculative Decoding via Feature Sampling and Partial Alignment Distillation
عنوان مقاله به فارسی تقویت رمزگشایی گمانه‌زنی بدون تلفات از طریق نمونه‌برداری ویژگی و تقطیر هم‌ترازی جزئی
نویسندگان Lujun Gui, Bin Xiao, Lei Su, Weipeng Chen
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,Machine Learning,محاسبه و زبان , یادگیری ماشین ,
توضیحات Submitted 28 August, 2024; originally announced August 2024. , Comments: The work was not submitted to AAAI 2025
توضیحات به فارسی ارسال شده 28 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: این کار به AAAI 2025 ارسال نشده است
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Lossless speculative decoding accelerates target large language model (LLM) inference by employing a lightweight draft model for generating tree-structured candidates, which are subsequently verified in parallel by the target LLM. Currently, effective approaches leverage feature-level rather than token-level autoregression within the draft model to facilitate more straightforward predictions and enhanced knowledge distillation. In this paper, we reassess these approaches and propose FSPAD (Feature Sampling and Partial Alignment Distillation for Lossless Speculative Decoding), which introduces two straightforward and effective components within the existing framework to boost lossless speculative decoding. Firstly, FSPAD utilizes token embeddings to sample features of the target LLM in high-dimensional space before feeding them into the draft model, due to the inherent uncertainty of the features preventing the draft model from obtaining the specific token output by the target LLM. Secondly, FSPAD introduces partial alignment distillation to weaken the draft model's connection between features and logits, aiming to reduce the conflict between feature alignment and logit confidence during training. Our experiments include both greedy and non-greedy decoding on the largest and smallest models from the Vicuna and LLaMA3-Instruct series, as well as tasks in multi-turn conversation, translation, summarization, question answering, mathematical reasoning, and retrieval-augmented generation. The results show that FSPAD outperforms the state-of-the-art method across all the aforementioned tasks and target LLMs.

چکیده به فارسی (ترجمه ماشینی)

رمزگشایی سوداگرانه بدون ضرر ، با استفاده از یک مدل پیش نویس سبک برای تولید نامزدهای ساختار یافته درخت ، که متعاقباً به موازات LLM هدف تأیید می شوند ، استنتاج مدل بزرگ زبان (LLM) را تسریع می کند.در حال حاضر ، رویکردهای مؤثر در سطح ویژگی به جای اینکه در سطح پیش نویس در مدل پیش نویس قرار بگیرند ، برای تسهیل پیش بینی های ساده تر و افزایش تقطیر دانش ، از سطح ویژگی استفاده می کنند.در این مقاله ، ما این رویکردها را مجدداً ارزیابی می کنیم و FSPAD را پیشنهاد می کنیم (نمونه برداری از ویژگی ها و تقطیر تراز جزئی برای رمزگشایی سوداگرانه بدون ضرر) ، که دو مؤلفه ساده و مؤثر را در چارچوب موجود برای تقویت رمزگشایی سوداگرانه بدون ضرر معرفی می کند.در مرحله اول ، FSPAD قبل از تغذیه آنها به مدل پیش نویس ، از تعبیه های توکن برای نمونه برداری از ویژگی های LLM هدف در فضای بالا استفاده می کند ، به دلیل عدم اطمینان ذاتی ویژگی هایی که مانع از بدست آوردن مدل پیش نویس از بازده خاص توسط هدف LLM می شود.ثانیا ، FSPAD تقطیر تراز جزئی را برای تضعیف ارتباط پیش نویس مدل بین ویژگی ها و ورود به سیستم معرفی می کند ، با هدف کاهش درگیری بین تراز ویژگی و اعتماد به نفس ورود به سیستم.آزمایشات ما شامل رمزگشایی حریص و غیر سبز در بزرگترین و کوچکترین مدل ها از سریال های ویکونا و LLAMA3 ، و همچنین وظایف در مکالمه چند چرخش ، ترجمه ، خلاصه ، پاسخ به سؤال ، استدلال ریاضی و نسل بازیابی است.بشرنتایج نشان می دهد که FSPAD از روش پیشرفته در تمام وظایف فوق و LLM های هدف بهتر عمل می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.