编者按： 在实时人工智能应用场景中，大语言模型的推理速度直接影响用户体验。传统模型通过逐词元预测（next-token prediction）生成文本，每次仅预测一个词元的方式导致长文本生成耗时较长。这种延迟在对话系统和内容创作平台中尤为明显，已成为阻碍用户沉浸体验的主要障碍。

本文深入探讨了 DeepSeek-V3 模型的多词元预测技术（Multi-Token Prediction, MTP）。与现有方法（如独立预测多个词元导致逻辑断裂）不同，DeepSeek 创新性地通过模块间的表征依赖关系，在训练时保持词元预测的完整因果链，从而生成高质量连贯文本。此外，该技术可与推测解码（speculative decoding）结合，在推理时，MTP module 并行生成草稿词元，main model 通过单次前向传播验证并修正，凭借 85%-90% 的高接受率实现 1.8 倍的推理加速。

作者 | Shirley Li

编译 | 岳扬

这是 DeepSeek-V3 系列的第四篇文章，将解释 DeepSeek [1,2]模型的最后一个重要架构创新：多词元预测（multi-token prediction）。

在前几篇文章中，我们阐述了 DeepSeek 如何通过巧妙的设计，在矛盾的优化目标之间找到折中方案，既不过度偏向某一目标，又能保持整体效果：

• 多头潜在注意力（Multi-head Latent Attention）在解码过程中优化内存效率，同时保持模型性能。
• DeepSeekMoE 在混合专家模型（MoE）架构中平衡 knowledge sharing 与 expert specialization。
• 无辅助损失函数的负载均衡（Auxiliary-Loss-Free Load Balancing）在不影响主要训练目标的情况下实现有效的负载均衡。

本文将探讨 DeepSeek 如何在文本生成的效率与质量之间实现又一重要平衡。

本文目录：

• 技术背景：介绍大语言模型解码过程的基本原理，特别是 next-token prediction 机制及其局限性。同时回顾多词元预测（MTP）的相关研究，探讨其设计选择与优劣。
• DeepSeek 的多词元预测：解释其工作原理，并重点讨论与先前研究不同的设计选择。此外还将介绍如何将 DeepSeek 的 MTP 策略与推测解码（speculative decoding）结合以加快推理速度。
• 评估：分析 MTP 对训练性能和推理效率的双重影响。
• 总结
• 参考文献

01 技术背景

要理解 DeepSeek 的多词元预测（multi-token prediction），我们首先需要仔细了解大语言模型（LLMs）如何生成文本。

1.1 Next-Token Prediction

LLMs 通常通过自回归（autoregressive）的方式生成文本，即在给定历史 tokens 序列的前提下，通过逐 token 预测下一个最可能的 token 来生成文本。

例如，给定文本 "The cat sat"，其分词结果可能为：

"The cat sat"->["The","cat","sat"]

每个 token 都有一个与它在词汇表中的索引相对应的 token id，并将通过该索引在嵌入矩阵（embedding matrix）中查询对应的稠密向量，并与位置编码（positional encoding）相加后输入模型：

Emb("The") = vector("The") + PositionalEncoding(1)
Emb("cat") = vector("cat") + PositionalEncoding(2)
Emb("sat") = vector("sat") + PositionalEncoding(3)

经过 LLM 的 Transformer 层处理后，最后一层通过线性投影将嵌入向量映射回词汇表空间，再通过 Softmax 输出词汇的概率分布。以上述简单示例为例，最高概率的 token 可能是：

P("on") = 0.7P("under") = 0.3...

因此，模型会选择最有可能的 token "on"，生成结果变为：

"The cat sat on"

这一逐词元生成的过程将持续至达到最大生成长度或遇到终止符（EOS）为止。 由于每一步仅生成单个 token，该机制被称为 next-token prediction，其定义为：

其中：

• t 表示第 t 个时间步
• x_{t:1} 表示历史词元序列 x_1 至 x_t3
• x_{t+1} 是未来的下一个词元（token）

从建模的角度看，Next-token prediction 似乎很自然，但存在以下局限：

• 无法并行化：需按序列逐词元处理，无法并行计算。
• 计算效率低：每次预测都需要一次完整的前向传播，导致训练和推理效率低下（尤其是实时长文本生成场景）。

为解决这些问题，多词元预测（multi-token prediction） 应运而生。

1.2 先前的多词元预测方法

在文献[3]中，作者将 next-token prediction 扩展为一种多词元预测机制：

其中，给定相同的输入序列，模型将通过单次前向传播生成从 x_{t+1} 到 x_{t+n} 的 n 个 tokens。

请注意，这并不意味着在单个 Softmax 输出的概率分布上同时选择 n 个 tokens，因为 Softmax 不支持从单个概率分布中同时选择多个 tokens。

这是因为 Softmax 是为分类分布（categorical distributions）设计的，其建模的是多个互斥选项中单个离散事件的概率。因此，Softmax 在每个时间步（time step）只能生成单个 token，要预测多个 tokens 需要多个 Softmax 层，每层专门负责生成独立的 token。

因此，上述多词元预测的损失函数将首先被分解为多个单词元（token）预测操作头，然后每个单词元（token）预测头会运行独立的 Softmax 来选择对应词元。

更具体地说，我们引入了中间潜在表征（intermediate latent representation）z_{t:1} 来表示大语言模型中的隐藏表征，如下列公式所示：

作者根据文献 [3] 中的公式创建的图像

这种方式将输入序列 x_{t:1} 与输出序列解耦，使模型能够通过单次前向传播将 x_{t:1} 编码为 z_{t:1}，并在后续所有生成过程中重复使用该表征。

随后，x_{t+n:t+1} 与 z_{t:1} 之间的条件概率会被进一步分解为 n 个独立的单步条件概率（如用蓝色标注的内容所示），每个条件概率代表一个单词元生成步骤：

作者根据文献 [3] 中的公式创建的图像

在文献[3]中，这一过程通过以下公式实现：

作者根据文献 [3] 中的公式创建的图像

其架构如下图所示，包含：

• 一个共享的 Transformer f_s，通过单次前向传播将 x_{t:1} 编码为 z_{t:1}。
• n 个独立的输出头 f_{h_i} （以 Transformer 层实现），将中间隐藏表征 z_{t:1} 映射到 x_{t+i}。特别是，第一个头（当 i==1 时）的输出可视为下一词元预测头。
• 一个共享的解嵌入矩阵 f_u，用于将 x 映射到词表大小的维度，最后通过应用 Softmax 获得各个词元的概率。

图 1. 文献[3]中的多词元预测架构。该图来自文献[3]

现在，让我们来深入了解这一架构，特别是共享组件与独立组件背后的设计考量：

• 共享的 f_s：如前文所述，这种方式只需单次前向传播即可获得 z_{t:1}，从而生成 n 个词元， 相比传统的 next-token prediction 具有更高的计算效率。
• 共享的解嵌入矩阵 f_u：由于解嵌入矩阵非常大，维度数量为 d×V（d 为隐藏层维度，V 为词表大小，通常为 5 万~ 20 万）， 共享参数能大大减少参数量且对性能的影响有限。
• 独立的输出头： 这是这一架构中唯一独立的部分。 如前文所述，每个词元都需要一个独立 Softmax，因此无法共享所有组件。

使用独立的输出头能够使得 n 个词元的生成过程相互解耦。一方面，这种设计支持并行生成词元，可以提升训练效率；但另一方面，独立生成词元可能导致输出缺乏连贯性或一致性。此外，模型可能会出现模式奔溃（mode collapse），倾向于生成通用的、高频的词汇，而非细致的响应，从而降低输出的多样性和丰富性。

在下一节，我们将看到 DeepSeek 的多词元预测技术如何解决这个问题。

02 DeepSeek 的多词元预测技术

如前文所述，文献[3]中的多词元预测方法会独立生成 n 个词元，可能导致输出不连贯甚至模式崩溃（mode collapse）。 为了解决这个问题，DeepSeek 通过保持每个词元预测的完整因果链来实现多词元预测，如下图所示：

图 2. DeepSeek 中的多词元预测架构。图片来自文献[2]

上图展示了三个生成步骤，分别称为 main model、MTP module 1 和 MTP module 2。

main model 的架构与我们在文献[3]中看到的架构高度相似，同样包含三个核心组件：

• 一个共享的嵌入层（embedding layer）
• 一个独立的 Transformer block
• 一个共享的线性输出头（shared linear output head） ，其功能类似于文献[3]中的解嵌入矩阵（unembedding matrix）

但从 MTP module 1 开始，差异就变得明显了：因为 Transformer block 的输入依赖于前一个词元的表征。

更具体地说，第 i 个 token 的 Transformer 输入如下：

其中：

• k 是 MTP module 的索引。
• h^{k-1}_{i} 是来自上一步的表征。
• Emb(t_{i+k}) 是第 (i+k) 个词元（token）的嵌入层输出。
• RMSNorm 算子对两个表征向量进行归一化处理，使它们的数值更具可比性，并允许将它们拼接起来。随后通过拼接算子[·;·]生成 2d 维度的表征。
• 最终通过线性投影矩阵 M_k 将维度从 2d 映射回 d，供 Transformer block 使用。

在 MTP modules 间引入依赖关系破坏了文献[3]中的并行性，但也使文本生成更加连贯，更适合对话和推理等场景。

DeepSeek 模型中，多词元预测主要用于训练阶段，每个 MTP module 均应用交叉熵损失函数，如下图所示：

其中 t_{i} 表示第 i 个位置的真实词元（ground-truth token），而 p^{k}_{i}[t_i] 则是第 k 个 MTP module 对 t_i 的预测概率。

然后，所有 MTP module 的损失值会被整合为一个额外附加的训练目标：

在推理阶段，所有 MTP module 都会被丢弃，仅保留 main model 进行词元预测。但文献[2]的作者也提到他们的 MTP 技术可与推测解码（speculative decoding）结合，以加快推理速度。

那么，这是如何实现的呢？

2.1 推测解码（speculative decoding）

推测解码（speculative decoding）是一种通过先打草稿后验证的范式加速自回归生成过程的技术[4, 5]： 首先并行生成多个候选词元，然后用原始自回归（AR）模型验证或修正这些词元，如下图所示：

图 3. 推测解码技术的先打草稿后验证流程。图片来自文献[5]

具体而言，推测解码包含两个阶段：

• 并行生成草稿（Parallel drafting） ：不再使用原始 AR 模型逐词元（token）生成，而是通过推测解码并行生成候选词元。
• 批量进行验证（Batch verification） ：通过单次前向传播，用原始 AR 模型验证草稿词元，并根据需要接受或修正它们。

由于草稿词元可能被接受，也可能被拒绝，因此实际的加速效果主要取决于接受率：

• 理想情况下，所有草稿词元（K 个）均被接受，模型可通过单次前向传播前进 K 步，实现 K 倍加速。
• 如果部分草稿词元被拒绝，生成过程仍然可以从部分加速效果中收益，因为仅需重新生成被拒绝的词元，而非整个序列。

换言之，更高的接受率可带来更明显的加速效果。下一节我们将深入探讨 DeepSeek 如何在推理中应用此技术。

03 Evaluation

在文献[2]中，作者评估了其多词元预测策略对训练和推理阶段的影响。

3.1 训练性能影响

为验证多词元预测策略是否能提升模型训练效果，文献[2]的作者在两个不同规模的 MoE 模型上进行了实验：

• 15.7B 的较小规模模型（激活参数 2.4B，下表中用蓝色标注）
• 228.7B 的较大规模模型（激活参数 20.9B，下表中用绿色标注）

图 4. 多词元预测对训练性能的影响。作者基于文献[2]中的表格绘制

在这两种模型上，作者对比了原始模型与添加 MTP module 的变体模型的性能（其余配置保持一致）。在本实验中，MTP module 在推理时被完全丢弃，因此推理时间无差异。

根据上表结果，两种规模的模型加入 MTP module 后，在多项任务上均表现更优，证明了该策略的有效性。

3.2 推理效率影响

如前文所述，MTP module 在推理阶段可与推测解码（speculative decoding）结合，以加速推理过程，而非在推理时完全丢弃它们。

在文献 [2] 中，作者尝试通过 MTP 技术预测未来的 2 个词元（token），并将其与推测解码相结合，结果发现第二个词元预测的接受率约为 85%~90%，这表明其 MTP 策略的生成质量稳定可靠。

更重要的是， 凭借高接受率，MTP 与推测解码相结合可实现每秒生成词元数（TPS）1.8 倍的推理加速。

04 Summary

本文探讨了 DeepSeek 的另一项关键架构创新------多词元预测（multi-token prediction），解析其如何在文本生成中平衡生成效率与生成质量。

MTP 和以下这些架构创新共同构成了 DeepSeek 模型的基础，使其既高效又强大：

• 多头潜在注意力（Multi-head Latent Attention）在解码过程中优化内存效率，同时保持模型性能。
• DeepSeekMoE 在混合专家模型（MoE）架构中平衡 knowledge sharing 与 expert specialization。
• 无辅助损失函数的负载均衡（Auxiliary-Loss-Free Load Balancing）在不影响主要训练目标的情况下实现有效的负载均衡。

核心启示：

• 大语言模型的训练仍存在诸多未决问题，新技术的引入常伴随非预期的副作用
• 要应对这些挑战，既需要对现象进行透彻分析，也需要对内部机制有深刻理解。
• 解决方案不必复杂 ------ 简单的策略有时能带来惊人的效果

至此，我们已完成对 DeepSeek 架构创新的探讨。下一篇文章将深入其训练策略，解析预训练、微调与对齐阶段的关键设计选择。

参考文献

[1] DeepSeek（ https://www.deepseek.com/）

[2] DeepSeek-V3 Technical Report（ https://github.com/deepseek-ai/DeepSeek-V3/blob/main/DeepSeek_V3.pdf）

[3] Better & Faster Large Language Models via Multi-token Prediction（ https://arxiv.org/abs/2404.19737）

[4] Fast Inference from Transformers via Speculative Decoding（ https://arxiv.org/pdf/2211.17192）

[5] Speculative Decoding: Exploiting Speculative Execution for Accelerating Seq2seq Generation（ https://arxiv.org/pdf/2203.16487）

Thanks for reading!

Hope you have enjoyed and learned new things from this blog!

About the author

Shirley Li

I am a Machine Learning Engineer working on building multi-modality models to solve real-world problems.

END

本期互动内容 🍻

❓ 你在使用 AI 工具时，最在意的是响应速度还是输出质量？为什么？

原文链接：

https://medium.com/data-science-collective/deepseek-explained-4-multi-token-prediction-33f11fe2b868