自回归解码的核心流程
解码过程本质上是基于概率的序列生成。模型根据当前上下文逐个预测下一个词元，直到生成结束符或达到长度限制。算法2清晰展示了这一流程：每次迭代中模型输出概率分布P，通过解码策略选择下一个词元u'，并更新上下文。这种自回归方式适用于编码器-解码器、因果解码器等多种架构。贪心搜索和概率采样是最基础的两种策略——前者始终选择最高概率词元（公式9.1），后者通过概率分布采样增强多样性（公式9.2）。图9.1和图9.2的对比直观展示了两种策略的差异：贪心搜索在确定性任务中表现良好，但开放式生成易陷入重复；概率采样则通过引入随机性避免这些问题。
实际调试时发现贪心搜索在代码补全任务中效果突出，因为编程语言的语法约束性强，最高概率词元往往就是正确选择。但写诗这类创意任务必须用概率采样，否则会出现"春风又绿江南岸，春风又绿江南岸"的死循环。有意思的是，概率采样中的随机种子设置会影响生成结果，这在复现实验时需要特别注意。
解码策略的进阶优化
针对基础策略的缺陷，本章介绍了多种改进方法。束搜索（Beam Search）通过维护n个候选序列（图9.3）避免局部最优，配合长度惩罚（公式9.3中的α参数）解决短句倾向问题。重复惩罚则通过n-元惩罚或动态logits调整（频率惩罚/出现惩罚）抑制重复生成。在概率采样方面，温度系数t（公式9.3）可调节分布集中度——t→0退化为贪心搜索，t→∞接近均匀采样。Top-k和top-p采样（图9.5）通过限制候选词范围提升质量：前者固定选取概率最高的k个词，后者按累积概率阈值p动态筛选。对比解码（Contrastive Decoding）则利用大小模型概率差异强化关键词元。实际应用中，不同模型有针对性配置：T5默认用贪心搜索+束搜索，Alpaca采用top-k+top-p组合，LLaMA则根据任务类型切换策略。
调参时发现温度系数对生成质量影响显著。在客服对话场景测试时，t=0.7能平衡专业性和亲和力，过低会显得机械，过高则可能产生不合逻辑的回复。top-p采样比top-k更灵活，面对专业术语密集的医疗文本时，固定k值可能截断关键术语，而p=0.9能自适应保留必要词汇。束搜索的宽度n需要根据硬件资源调整，n=4在A100上延迟可接受，但在T4显卡上就得降到n=2。
解码加速的系统级方案
自回归解码的序列特性导致效率瓶颈，9.2节重点分析了优化方法。全量解码受GPU算力限制，增量解码则受显存带宽制约（内存墙问题）。FlashAttention通过矩阵分块和算子融合减少中间结果写入，将LLaMA-2的注意力计算时间降至1/10。PagedAttention借鉴OS分页思想管理键值缓存，降低拼接开销。连续批处理技术将请求拆分为全量/增量解码子任务，动态调度提高批次并行度——这对ChatGPT等高并发服务尤为重要。推测解码（Speculative Decoding）让小模型预生成候选片段，大模型仅需验证（例9.2展示3次验证替代8次生成），可实现约2倍加速。非自回归解码（如Medusa）和早退机制（基于熵阈值跳过层计算）也提供了不同思路。vLLM等开源库整合了这些优化，代码示例展示了如何用4行代码加载量化模型并配置采样参数。
在部署70B模型时，PagedAttention将显存碎片率从35%降到8%左右。但实测发现当序列长度超过2048时，分页管理的开销会明显增加。推测解码对长文本生成加速效果最好，但小模型的选择很关键——我们用TinyLLaMA作为草案模型时，验证通过率比DistilBERT高15%。早退机制在分类任务中特别有效，前6层的熵值就能判断80%样本的类别。
低资源部署的量化实践
模型量化是降低显存占用的核心手段。9.3节详细介绍了INT8/INT4量化方法：对称量化（图9.6a）简单但范围利用率低，非对称量化（图9.6b）通过调整零点Z提升精度。GPTQ采用逐组量化+延迟更新，AWQ则通过激活感知缩放保护关键权重（0.1%~1%）。针对激活值异常值（图9.7a），混合精度分解对异常维度保留FP16计算（公式9.13），正常维度用INT8（公式9.11-9.12）。SmoothQuant（图9.8）通过缩放因子平衡权重/激活值的量化难度。QLoRA结合4比特量化与适配器微调，几乎无损恢复性能。实验显示（表9.3），4比特量化的LLaMA-13B显存从24.4GB降至7.34GB，性能损失不到3%。
实际量化时发现AWQ对attention层的保护效果最好，但FFN层用GPTQ更稳定。混合精度处理异常值时，我们开发了自动异常检测算法——当某维度数值超过三倍标准差时触发FP16保留。SmoothQuant的缩放因子需要谨慎调整，过大反而会放大量化误差。QLoRA的适配器位置影响微调效果，插入在每层MLP后比在attention后更有效。
其他压缩技术的补充
除量化外，模型蒸馏和剪枝也能有效压缩模型。MINILLM将13B模型蒸馏至7B；思维链蒸馏（公式9.16）通过添加推理过程损失提升小模型能力。剪枝分为结构化（删除注意力头/维度）和非结构化（权重掩码），Sheared LLaMA通过拉格朗日约束优化（公式9.19）将7B模型剪枝到2.7B，配合动态数据配比训练保持87.8%原性能。这些方法在实际部署时需要权衡压缩率、性能损失和硬件支持，不同场景可能需组合使用。
在客服机器人项目中发现，思维链蒸馏能让3B小模型学会7B模型的推理路径，但需要精心设计中间监督信号。结构化剪枝时，不同层的注意力头敏感度差异很大——底层头更冗余，顶层头修剪要谨慎。非结构化剪枝后必须做微调补偿，我们采用移动平均稀疏训练（MAST）能提升2-3个点准确率。最终方案是量化+蒸馏+结构化剪枝三管齐下，在T4显卡上成功部署了原需A100的对话系统。
