Folia
← 返回头版

vLLM在AMD GPU上实现投机解码 吞吐量最高提升2.87倍

vLLM项目在AMD GPU平台上成功实现了投机解码技术1。这一方法通过轻量级草稿组件提出候选token,再由目标模型在单次验证中从左到右逐一接受或拒绝这些token,从而在单轮推理中提交多个token,显著提升大语言模型的推理吞吐量1。

研究涵盖了5种草稿方法的对比测试1。其中原生MTP与Gemma 4 MTP采用逐序生成方式;EAGLE-3从目标模型隐层状态自回归草稿;DFlash实现并行预测整个token块;DSpark在DFlash基础上融合轻量级序列头与置信度选择机制1。实验在Gemma-4-26B、Gemma-4-31B、Qwen3系列、Kimi-K2.5、MiniMax-M3等多个模型上进行,运行环境为AMD Instinct MI300X和MI355X GPU1。

性能提升方面,Gemma-4-26B-A4B-it模型在MATH500数据集上使用DFlash方法达到2.87倍吞吐量提升,Gemma 4 MTP在GSM8K达到2.74倍;Kimi-K2.5模型在DFlash方法下达到2.68倍1。研究发现num_speculative_tokens参数对性能影响显著,最优值通常在N=3-7范围内,具体取值因模型、数据集和草稿方法而异1。草稿token的接受率是决定性能的关键指标,后续位置的接受率下降可能导致吞吐量增长平台化或下降1。


评论