加速知识检索：伯克利&DeepMind联合研究，RaLMSpec让语言模型服务飞速提升2-7倍！

AIGC动态欢迎阅读

原标题：加速知识检索：伯克利&DeepMind联合研究，RaLMSpec让语言模型服务飞速提升2-7倍！
关键字：解读,步长,模型,步骤,缓存
文章来源：夕小瑶科技说
内容字数：8590字

内容摘要：

夕小瑶科技说原创作者 | 智商掉了一地、卖萌酱近年来，随着大型语言模型（LLM）的出现，在多样化的 NLP 任务上取得了令人瞩目的成果。然而，知识密集型任务仍是 NLP 领域中的一项挑战，因为这些任务不仅要求模型要理解和生成自然语言，还要能够访问和利用大量的外部知识。然而，要想将大量知识编码进一个完全参数化的模型中，不仅在训练上需要更多努力，在部署时也同样如此。特别是当基础模型需要适应新数据或不同的下游任务时，这一挑战会更加严峻。
为了应对这一挑战，最近的研究提出了检索增强型语言模型（RaLM），通过增强检索将参数化的语言模型与非参数化的知识库结合起来，这种方法在低成本适应最新数据和更好的源归因机制方面表现出色。在各种 RaLM 方法中，由于在检索器和语言模型之间更频繁的交互，迭代 RaLM 提供了更好的生成质量。然而，迭代 RaLM 也会因为频繁的检索步骤而遇到高昂开销。
▲图1 (a)迭代式 RaLM 的工作流程 (b)RaLMSpec 框架 (c)RaLMSpec 在保持模型质量的同时实现了较低的延迟由此，本文提出了一种名为 RaLMSpec 的框架，它采用了推测性检索和批量验

原文链接：加速知识检索：伯克利&DeepMind联合研究，RaLMSpec让语言模型服务飞速提升2-7倍！