前馈层占据Transformer模型三分之二的参数量，但其在网络中的作用仍未得到充分研究。我们发现基于Transformer的大语言模型中，前馈层扮演着键值记忆体的角色——每个键(key)与训练样本中的文本模式相关联，而每个值(value)则诱导输出词表上的概率分布。实验表明：这些学习到的模式具有人类可解释性，其中底层倾向于捕捉浅层模式，而高层则学习更具语义性的模式；值通过将概率质量集中在各模式后续可能出现的token上（尤其在高层级）来补充键的输入模式。最后我们证明，前馈层的输出是其记忆体的组合产物，这些产物会通过残差连接在模型各层中逐步精炼，最终形成输出分布。

TRIFORCE: Lossless Acceleration of Long Sequence Generation with Hierarchical Speculative Decoding TRIFORCE: 采用分层推测解码实现长序列生成的无损加速 Abstract 摘要 With large language models (LLMs) widely deployed in long content generation recently, there has emerged an increa... 随着大语言模型(LLM)在长文本生成领域的广泛应用，对高效长序列推理支持的需求日益增长。然而，为避免重复计算而存储的键值(KV)缓存已成为关键瓶颈，其大小随序列长度线性增长。由于LLM的自回归特性，每个生成的Token都需要加载整个KV缓存，导致计算核心利用率低下且延迟较高。虽然已有多种KV缓存压缩方法被提出以缓解此问题，但这些方法都会导致生成质量下降。我们提出了TRIFORCE——一个可扩展的长序列生成分层推测解码系统。该方法通过检索机制利用原始模型权重和动态稀疏KV缓存作为草稿模型，该草稿模型作为层次结构中的中间层，并由更小的模型进行进一步推测以降低起草延迟。TRIFORCE不仅为Llama2-7B-128K实现了显著的加速效果(在A100 GPU上最高可达\$2.31\dot{\times}\$)，还展示了处理更长上下文的能力。在两块RTX 4090 GPU的卸载场景下，TRIFORCE达到0.108秒/Token的生成速度——仅为A100上自回归基线速度的一半，在我们的优化卸载系统上实现了\$\dot{7}.78\times\$的加速比。此外，在单块RTX 4090 GPU上，TRIFORCE比DeepSpeed-ZeroInference快\$4.86\times\$。TRIFORCE的鲁棒性体现在其在不同温度参数下持续保持的卓越性能。代码已开源：https://github.com/Infini-AI-Lab/TriForce。