闻乐 发自 凹非寺量子位 | 公众号 QbitAI

既能提升模子能力，又不显著增添内存和时间本钱，LLM第三种Scaling Law被提出了。

关于1.6B模子，能实现性能靠近4.4B模子，内存占用仅为后者的1/22，延迟增添量为1/6。

并且可直接应用于现有模子（如Qwen-2.5），无需重新训练。

这就是阿里通义团队提出的PARSCALE。

现在LLMs的优化主要有两种思绪：参数扩展（如GPT-4）和推理时间扩展（如DeepSeek-R1），但会增添内存和时间本钱。

阿里通义团队提出的新范式受CFG（无分类器指导）双路径推理机制的启发。

他们将CFG的并行头脑从 “天生阶段的推理优化” 扩展为 “训练和推理全流程的「盘算缩放」”。

让我们来扒一翦绺艺细节。

将CFG的并行头脑扩展到盘算缩放PARSCALE关于CFG双路径的灵感迁徙

CFG 通过同时运行有条件天生（输入提醒词）和无条件天生（不输入提醒词）两条路径，再通过加权平均融合效果，提升天生质量（如文内情关性、图像细节精准度）。

其焦点在于使用并行盘算（两次前向撒播）增强模子决议的多样性和准确性，而无需增添模子参数。

研究职员视察到CFG的有用性可能源于盘算量的增添（两次前向撒播），而非纯粹的条件指导。

由此提出假设：并行盘算的规模（如路径数目）可能是提升模子能力的要害因素，而非仅依赖参数规；蛲评硎奔涞拇欣┱梗ㄈ缣焐鄑oken）。

CFG用2条并行路径提升性能，PARSCALE则将路径数目扩展为P条（如P=8），并通过可学习的输入变换和动态聚合，使并行盘算成为一种可扩展的 “盘算缩放” 范式。下图展示了PARSCALE要领。

PARSCALE刷新的并行盘算框架

1、输入层：可学习的多路径输入变换

焦点刷新是将CFG的牢靠双路径扩展为P条可学习的并行路径，每条路径通过可训练的前缀嵌入天生差别化输入。

前缀嵌入天生：为每个并行路径引入可训练的前缀向量（维度与输入嵌入一致），拼接在原始输入前，形成路径专属输入。KV缓存区分：在Transformer的注重力层中，差别路径的键（K）和值（V）缓存相互自力，确保各路径的盘算互不打搅，增强输出多样性。

2、盘算层：并行前向撒播

并行执行：将P个差别化输入同时输入模子，使用GPU的并行盘算能力，一次性完成P路前向撒播，天生P个输出流。效率优势：通过批量矩阵运算实现P路并行，盘算效率随P线性增添，共享模子主体参数，仅增添前缀嵌入等少量可训练参数。

3、输出层：动态加权聚合

通过多层感知机（MLP）动态盘算各路径输出的聚合权重，替换 CFG 的牢靠权重机制：若某路径输出与目今输入语义匹配度高，MLP 会为其分派更高权重。

PARSCALE更高效

PARSCALE vs. 参数扩展

当P=8时，1.6B参数模子在HumanEval的性能（Pass@1=39.1%）靠近4.4B参数模子（Pass@1=45.4%），但内存占用仅为后者的1/22，延迟增添量为1/6。

在GSM8K数学推理使命中，P=8使1.8B模子性能提升34%（相对基准），显著高于参数扩展的增益。

两阶段训练战略

阶段1：用古板要领预训练模子至收敛（1Ttokens）。

阶段2：冻结主体参数，仅训练前缀嵌入和聚合权重（20Btokens，占总数据的 2%）。

P=8模子在GSM8K上提升34%，且与重新训练效果相当，证实少量数据即可激活并行路径的有用性。且该战略使训练本钱降低约 98%

适配现有模子

研究团队在Qwen-2.5-3B模子上举行一连预训练和参数高效微调（PEFT），仅调解前缀和聚合权重。

效果显示，在代码天生使命（HumanEval+）中PEFT 要领使Pass@1提升15%，且冻结主体参数时仍有用，证实动态调解 P 的可行性。

PARSCALE通过可学习的多路径输入、动态聚合权重、全流程并行优化，将CFG的 “双路径启发” 升级为一种通用的盘算缩放范式。

感兴趣的朋侪可到官方审查更多细节～

论文链接：https://arxiv.org/abs/2505.10475代码地点：https://github.com/QwenLM/ParScale参考链接：https://x.com/iScienceLuvr/status/1923262107845525660

— 完 —