WiP: Efficient Speculative Decoding for AI PCs via Hierarchical N-Gram Retrieval
Notice bibliographique
Résumé
AI PCs are emerging as a promising platform for on-device LLM inference, but their limited memory and compute resources pose significant challenges to Large Language Model (LLM) inference, which underutilizes available computing resources in decoding. Speculative decoding addresses this by generating multiple draft tokens and verifying them in parallel using the target model, improving efficiency over purely autoregressive methods. However, existing speculative decoding methods struggle on AI PCs: model-based approaches are bottlenecked by non-negligible draft model inference time, while retrieval-based methods face a trade-off between insufficient retrieval quality and excessive memory usage from external datasets. To address this fundamental trade-off, we propose NG+, a work-in-progress retrieval-based LLM inference system optimized for AI PCs. NG+ is designed to deliver retrieval quality of large-scale datasets within constrained memory budgets by employing a hierarchical n-gram caching architecture---storing frequent n-grams in memory and offloading less frequent ones to SSD. In addition, NG+ overlaps CPU-based n-gram retrieval for the next decoding step with iGPU-based verification of the current draft, effectively prefetching from SSD to hide I/O latency. Preliminary evaluations on an AMD Ryzen™ AI MAX+ 395 platform demonstrate NG+'s efficacy, achieving a 1.62x speedup over auto-regressive decoding, outperforming existing baselines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».