蘋果公司昨日(12 月 18 日)發布博文，宣布和英偉達(Nvidia)合作，通過開源 Recurrent Drafter(ReDrafter)推測解碼方法，顯著提升了 AI 大語言模型（LLM）的推理速度。

　　蘋果公司表示 ReDrafter 已集成到 NVIDIA TensorRT-LLM 推理加速框架中，在 NVIDIA GPU 上，每秒生成 tokens 速度最高提升 2.7 倍，有效降低了用戶延遲和計算成本。

　　蘋果的機器學習研究人員指出，LLM 越來越多地用于驅動生產應用程序，提高推理效率對降低計算成本和用戶延遲至關重要。

　　援引蘋果官方博文，ReDrafter 使用 RNN 草稿模型，結合波束搜索(beam search)與動態樹注意力(dynamic tree attention)，可以讓開源模型每步生成最多 3.5 個 tokens，超越了先前推測性解碼技術的性能。

　　為將 ReDrafter 應用于生產環境，蘋果與 NVIDIA 展開合作，將其集成到 NVIDIA TensorRT-LLM 框架中。

　　英偉達為此添加了新的運算符并公開了現有運算符，增強了 TensorRT-LLM 對復雜模型和解碼方法的適應性。

　　基準測試結果顯示，在 NVIDIA GPU 上使用集成了 ReDrafter 的 TensorRT-LLM 框架，數百億參數規模的生產模型的解碼速度提升了 2.7 倍。這不僅降低了用戶體驗延遲，還減少了 GPU 使用數量和功耗。