大模型--采样技术 TopK TopP 惩罚系数--37

• 1. 参考
• 2. 概述
• 重复惩罚（Repetition Penalty）

1. 参考

https://mp.weixin.qq.com/s/mBZA6PaMotJw7WeVdA359g

2. 概述

大型语言模型（LLMs）通过“根据上下文预测下一个 token 的概率分布”来生成文本。最简单的采样方法是贪心采样（Greedy Sampling），它在每一步选择概率最高的 token。
这种确定性（deterministic）的方法往往会导致生成重复且缺乏创意的句子。为了解决这一问题，现在有多种采样方法，例如 Top-K、Top-P 或 重复惩罚（Repetition Penalty）。

大多数 LLM 服务框架（例如 vLLM 和 TensorRT-LLM）支持这些采样技术，允许用户在创意和连贯性之间进行调整。不过这些方法会增加计算成本，从而影响服务性能：

贪心采样

贪心采样在每次迭代中简单地选择概率最高的 token

top-K 采样

为了提高输出多样性，引入了基于采样的方法，例如 Top-K 采样。
Top-K 采样允许概率较高但非最高的 token 也有机会被选择。

核心做法：
LLM 根据 token 的概率进行排名，仅保留概率最高的 K 个 token。然后对这些 K 个 token 的概率进行归一化，以确保总和为 1，并根据归一化后的概率随机选择下一个 token。

这种方法引入了受控的随机性，有助于生成更具多样性的输出，同时仍能避免选择概率极低的 token。

Top-P（核采样）

核心做法：
Top-P 采样，又称核采样，与 Top-K 采样类似，但在候选 token 集的选择方式上有所不同。Top-P 采样不是限制为固定数量的 token（K），而是动态选择概率累积值超过预设阈值 P（例如 0.9）的 token 集。

这种动态方法提供了更大的灵活性，
候选 token 的数量可以根据生成的上下文而变化。通过调整阈值 P，模型可以控制每一步中被考虑的 token 数量，从而在生成输出的多样性和连贯性之间取得平衡。

同时使用

注意，Top-K 和 Top-P 采样可以结合使用，如以下示例所示。当结合使用时，token 集首先被限制为 K 个候选，然后进一步缩小到满足概率累积阈值 P 的 token。

举例：
使用 Top-K（K=50）和 Top-P（P=0.9）生成的输出:
“It’s time to get up.\nI’m sure you’re still sleeping. You’ve been sleeping for 30 years. You’ve been dreaming of a better life”

Top-K 和 Top-P 采样都高度依赖于 token 的概率分布，而 温度（Temperature, T） 是另一个有用的参数，可以让用户控制概率分布。

降低温度会使概率分布更加集中，从而使模型更有可能选择最高概率的 token。这减少了输出的随机性，生成更连贯、可预测的句子

相反，提高温度会使概率分布更平滑，从而使模型更有可能选择概率较低的 token。这可以生成更具创意和多样化的文本，但也增加了生成不连贯结果的风险

重复惩罚（Repetition Penalty）

重复惩罚是另一种重要的技术，用于减少模型生成重复性输出的概率。这种方法对在之前步骤中已经被选择的 token 进行惩罚，从而降低它们的概率，减少它们再次被选中的可能性。

输入: “Hey, are you conscious?”

使用贪心采样生成的输出:

“I mean, are you really conscious? I mean, are you really conscious of your consciousness? I mean, are you really conscious of your consciousness of your consciousness”

使用重复惩罚（1.1）生成的输出:

“I mean really conscious?\nI’m not talking about being aware of your surroundings or the people around you. I’m talking about being aware of yourself and what’s”

结合 Top-K（K=50）、Top-P（P=0.9）和重复惩罚（1.1）生成的输出:

“I’m just asking. You know what I mean: Are you really awake and aware of your life?\nI have a friend who is always saying she’s “”

通过调整重复惩罚参数，用户可以减少退化现象，同时保持句子的连贯性。然而，较高的惩罚可能导致输出的连贯性下降，因为它可能过度惩罚那些对句子结构至关重要的 token。

例如：谓语 是 不让他在句子中出现 就很难描述一个东西。

实现方法：
频率惩罚（Frequency Penalty） 和 存在性惩罚（Presence Penalty）。两者通过从 logits 中减去一定数值来施加惩罚，
重复惩罚则通过缩放 logits 实现

惩罚方法可以与 Top-P 和/或 Top-K 采样并行使用。结合采样方法后，LLM 能够生成更具多样性和创意的句子。