策略学习助力LLM推理效率：MIT与谷歌团队提出异步并行生成新范式

金天，麻省理工学院（MIT）计算机科学与人工智能实验室（CSAIL）博士五年级学生，师从 Michael Carbin 和 Jonathan Ragan-Kelley。他主要研究机器学习与编程系统的结合。此前曾在 IBM Research 主导实现深度神经网络在 IBM 主机上的推理部署。本科毕业于 Haverford College，获计算机科学与数学双学位。

鄭鈺熹，麻省理工学院 CSAIL 博士三年级学生，师从 Michael Carbin。她的研究方向为编程语言与机器学习的交叉领域。

大语言模型（LLM）的生成范式正在从传统的「单人书写」向「分身协作」转变。传统自回归解码按顺序生成内容，而新兴的异步生成范式通过识别语义独立的内容块，实现并行生成。

如图所示，传统方法（下）按顺序生成所有内容，而异步生成（上）同时处理多个互不依赖的内容块。对比顺序生成，异步生成在 AlpacaEval 长度控制评测中实现 1.21-1.93× 的几何平均提速，对应生成质量变化（胜率）为 +2.2% 至 -7.1%。

MIT 与谷歌研究团队在最新研究 PASTA（PArallel STructure Annotation）中首次从策略学习（policy learning）角度探索异步生成范式的可能。

• 论文标题：Learning to Keep a Promise: Scaling Language Model Decoding Parallelism with Learned Asynchronous Decoding
• 论文地址：https://arxiv.org/abs/2502.11517

研究团队不依赖人工设计规则来识别异步生成机会，而通过策略学习让模型自主发现并标注这些机会，系统地优化质量与速度的平衡。这种方法使 LLM 根据内容特点自适应地确定最佳异步生成策略，为生成效率优化开创学习驱动的全新路径。

PASTA-LANG：划分独立内容的标记语言

研究人员首先开发了一种新的标记语言 PASTA-LANG，专为异步生成而设计。大模型使用它在生成过程中标记语义独立块，指示并行生成机会。这种语言包含三种核心标记：

• <promise topic="..."/>：标记语义独立的内容块，通过 topic 属性总结内容主题，大模型用它表明「这部分将会由一个独立子线程异步生成」。
• <async>...</async>：在 <promise> 后标识对应的异步生成的内容，表示这一部分由独立子线程负责生成。
• <sync/>：在主线程标记同步点，表明后续内容生成将会依赖于之前的异步生成，主线程需等待所有异步线程完成后才能继续。

这些标记共同构成了一种「承诺-履行」的生成模式：大模型首先通过 <promise/> 标记「承诺」生成某些内容，推理系统再创建异步线程来「履行」这些承诺，最后在 <sync/> 处将异步内容组合。

如图所示的线段长度计算案例展示了这一机制：面对计算任务（A），大模型首先识别出「坐标提取」和「长度公式」两个可并行的独立部分，生成相应的 <promise/> 标记（B），随后用 <sync/> 标记（E）表明需要等待这些内容完成。图中红色和绿色区域（C、D）显示了两个异步线程并行生成的内容，最终在（F）处组合成完整解答。

这个新的标记语言简单，可扩展性强，开启了新的未来研究范式。

PASTA 训练：从标注到优化的双阶段学习

如图所示，PASTA 系统采用双阶段训练流程，使大模型自主学习使用上述标记语言，完成异步生成。

第一阶段：监督微调。研究团队首先选取 SlimOrca 指令跟随数据集，用 Gemini 1.5 Flash 为 100K 条样本添加 PASTA-LANG 标记，在样本回答中插入 <promise/>、<async> 和 <sync/> 标记，创建 PASTA 微调数据集。团队随后对 Gemma 7B 进行监督微调，得到能插入 PASTA-LANG 标记的 PASTA-SFT 模型。

第二阶段：偏好优化。为优化标注策略，团队设计了策略学习方案。团队对每个样本从 PASTA-SFT 模型采样多种标注方案，然后基于两项指标评估这些方案：理论加速比和内容质量（由 Gemini 1.5 Pro 评估）。根据评估结果，团队构建「拒绝采样数据集」，该数据集包含每个输入的最佳和最差标注方案。最后，团队用 BoNBoN 算法对 PASTA-SFT 模型进行偏好优化，得到最终的 PASTA 模型。

PASTA 推理系统：并行生成与缓存管理

推理系统设计难点。异步并行生成的主要挑战在于如何协调多个线程高效协作。传统方法通常需要为每个线程创建独立的 KV 缓存池——创建新线程时必须复制主线程的前缀内容到子线程缓存池，完成后再复制结果回主线程。这两次大规模矩阵复制操作严重限制了系统性能，使理论加速难以转化为实际收益。

KV 缓存的存储布局。PASTA 设计了交错式 KV 缓存布局，所有线程共享单一连续内存池。系统初始以连续方式存储用户输入，在推理过程中动态将不同线程在同一时间点生成的 token 交错存储在相邻位置。

注意力控制与位置编码。PASTA 通过两个机制确保大模型正确理解多线程交错存储的 KV 缓存：

• 注意力掩码控制：限制子线程只能访问与自己相关的内容，在<sync/>后通过移除掩码使主线程能访问所有子线程生成的内容。
• 位置编码调整：每个线程都使用独立且连续的位置编码，使线程处理自己的内容时，将交错存储的内容视为逻辑上连续的序列，确保模型能正确理解上下文。

这些设计共同确保 PASTA 能在提高速度的同时保持输出质量。

实验结果：Pareto 最优与可扩展性

PASTA 在性能与质量的平衡上取得了突破性成果，实验结果表明它不仅实现了显著加速，还在某些情况下提高了输出质量。研究团队在 AlpacaEval 基准上进行了全面评估，该基准包含 805 个具有代表性的指令跟随任务。

质量-速度平衡的 Pareto 前沿。如图所示，PASTA 通过调节质量权重参数生成了一系列的模型。在不同的生成质量的情况下，PASTA 均能提供非常可观的加速。结果显示，即使最注重质量的 PASTA 模型也能提供显著加速，而最快的模型则以一定的质量牺牲换取接近 2 倍的速度提升。与基于手动设计的异步生成方案（Skeleton-of-Thought, APAR）相比，PASTA 模型展现出全面优势。

可扩展性。研究结果展示了 PASTA 方法出色的可扩展性，如图所示。随着偏好优化不断推进，PASTA 模型的性能持续提升。图中清晰展示了从第一轮开始到第一轮结束，再到第二轮开始和第二轮后半程的整个优化过程，质量-速度的 Pareto 前沿大体持续向右上方推进。

这种稳定的改进趋势表明，PASTA 方法具有良好的可扩展性——随着投入更多计算资源，仍未饱和。与传统依赖固定规则的异步解码方法不同，PASTA 通过策略学习驱动的训练算法提供了可持续的优化路径，能够有效地将额外计算资源转化为更高的推理效率。

总结与展望

PASTA 首次证明，通过策略学习让 LLM 自主优化生成策略，能够突破传统自回归和基于规则的异步生成的效率极限。这一工作不仅为实时大模型应用提供了实用加速方案，更印证了未来 LLM 可能具备推理时自我优化能力的发展方向。

转载请联系本公众号获得授权