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
