条件掩码语言模型的并行解码这个方向我在做文本生成加速的时候踩过不少坑。最早接触自回归解码那套东西生成一段两百字的文本要等好几秒用户端体验很差。后来看到Mask-Predict这篇工作思路确实让人眼前一亮——它把生成任务从从左到右一个字一个字蹦变成了先铺满整句再反复填空修正推理步数直接从O(n)降到O(log n)级别。这篇博文我就把这个方法的来龙去脉、核心机制、实操细节和踩坑经验完整梳理一遍适合做文本生成加速、机器翻译、文本摘要的同行参考也适合对非自回归生成感兴趣的朋友入门。1. 为什么需要并行解码自回归的瓶颈与非自回归的困境1.1 自回归解码到底慢在哪里先说说我们为什么要折腾并行解码这件事。标准的自回归Autoregressive, AR生成核心逻辑是P(y_t | y_t, x)也就是第t个词的概率依赖于前面所有已经生成的词。这个设计天然串行——你必须先算出第1个词才能算第2个再算第3个一路推到结束。生成长度为n的序列就需要n次前向传播。我实测过一个典型的Transformer翻译模型在单张消费级显卡上生成一条30词的译文大概需要300到500毫秒。如果做批量推理batch size拉大能摊薄一些但延迟的绝对值还是摆在那里。对于实时字幕、同声传译、对话系统这类场景几百毫秒的延迟已经很要命了。更麻烦的是序列越长延迟线性增长长文本生成基本没法做实时。自回归的另一个隐性成本是显存带宽。每次前向传播都要把整个模型的权重从显存读一遍而实际计算量很小GPU的算力根本吃不满瓶颈卡在访存上。这就是为什么AR解码的GPU利用率经常只有百分之十几。1.2 非自回归的诱惑与硬伤既然串行是瓶颈那最直接的想法就是能不能一次性把所有位置的词都预测出来这就是非自回归Non-Autoregressive, NAR生成的出发点。一次前向传播所有位置的输出同时出来推理步数从n降到1理论上能快几十倍。但天下没有免费的午餐。NAR最大的问题是条件独立性假设——它假设各个位置的词互相独立P(y|x) ∏P(y_t|x)。这个假设在真实语言里根本不成立。我吃饭和我饭吃词都一样但语序错了意思就变了。独立假设下模型没法建模词与词之间的依赖生成结果经常出现重复词、漏词、语序混乱。早期的NAR工作靠引入隐变量、迭代精炼、CTC损失等手段来缓解但效果始终和AR有差距。核心矛盾在于要么快但质量差要么质量好但慢。Mask-Predict的价值就在于它在这条光谱上找到了一个很聪明的中间点。1.3 Mask-Predict的定位迭代精炼的折中路线Mask-Predict的本质是迭代精炼Iterative Refinement。它不追求一步到位也不接受逐词串行而是用固定的T次迭代每次迭代并行地预测所有被mask的位置然后保留置信度高的词把置信度低的重新mask掉下一轮再猜。这个思路的关键洞察是生成一个词比判断一个词对不对要难。第一轮模型可能猜得不准但它对哪些位置猜得靠谱是有判断力的。把靠谱的固定下来不靠谱的交给下一轮随着迭代进行确定的位置越来越多上下文越来越完整剩下的词也就越来越好猜。从计算复杂度看AR是O(n)步NAR是O(1)步Mask-Predict是O(T)步T通常取log2(n)左右。生成100个词AR要100步Mask-Predict大概7到10步就够了加速比在10倍量级。而且质量能逼近甚至在某些任务上追平AR这是它最吸引人的地方。2. Mask-Predict的核心机制拆解2.1 条件掩码语言模型的训练目标Mask-Predict的底座是一个条件掩码语言模型Conditional Masked Language Model, CMLM。训练方式和BERT的掩码预测很像但多了条件输入。具体来说给定源序列x和目标序列y训练时随机mask掉y中一部分词让模型根据x和未被mask的y来预测被mask的词。这里有个关键细节mask的比例是随机采样的而不是固定的。论文里用的是均匀采样每个词被mask的概率独立这样模型能见到各种mask密度的样本推理时无论mask多少都能适应。损失函数就是标准的交叉熵只计算被mask位置的损失L -Σ log P(y_t | x, y_observed)其中求和只遍历被mask的位置。这个设计让模型学会根据可见上下文填空而不是从头生成。注意训练时的mask策略直接影响推理表现。如果训练时mask比例总是很低模型没见过高mask率的场景推理第一轮全mask就会崩。所以mask比例的随机化范围要覆盖推理时的实际需求。2.2 推理阶段的迭代解码流程推理阶段是Mask-Predict的精华所在。整个流程分三步循环第一步初始预测。把所有目标位置都mask掉输入全是[MASK]让模型一次性预测所有位置的词。这一步相当于NAR质量一般但给了个初始草稿。第二步计算置信度并筛选。对每个位置取模型输出的概率分布用最大概率值作为该位置的置信度分数。然后按置信度排序保留置信度最高的那部分词其余位置重新mask。第三步重新预测被mask的位置。把上一步保留的词作为已知上下文重新预测被mask的位置。重复第二步和第三步直到达到预设的迭代次数。迭代次数T和每轮保留的词数是两个关键超参数。论文里用的策略是第t轮保留n * (T-t1)/T个词也就是保留数量随迭代递减越往后保留越多。这样早期大胆探索后期精细收敛。2.3 置信度打分与mask策略的细节置信度怎么算这里有个容易忽略的点。直接用softmax最大概率值是可以的但论文里还试过用负熵作为置信度效果差不多。我自己的经验是最大概率值简单够用但在某些任务上用概率的几何平均或者考虑top-k的累积概率会更稳。mask策略也有讲究。最朴素的是按置信度全局排序保留top-k。但这样可能导致某些位置连续多轮都被mask而有些位置一轮就固定。另一种做法是按位置分块保证每个区域都有词被保留避免局部信息缺失。我在做长文本摘要时发现全局排序容易让句子开头和结尾先固定中间一大片反复猜分块策略能缓解这个问题。还有一个细节是长度预测。Mask-Predict需要预先知道目标序列长度因为要初始化对应数量的[MASK]。长度预测本身是个小任务可以单独训一个分类器也可以用源序列长度加个偏移量估计。长度预测错了整个生成就偏了这是NAR类方法的通病。3. 实操复现从零搭建一个Mask-Predict解码器3.1 环境准备与依赖选型我用的技术栈是PyTorch HuggingFace Transformers这套组合最省事。PyTorch版本建议1.10以上Transformers用4.x任意较新版本都行。硬件方面单张16G显存的卡就能跑中等规模实验做小规模验证8G也够。核心依赖pip install torch transformers datasets tokenizers如果你要自己训模型还需要准备数据加载和训练循环的代码。我建议先用预训练的掩码语言模型比如多语言BERT类做初始化再在目标任务上微调比从头训收敛快很多。提示不要直接用标准的因果语言模型如GPT类来改因为它们的注意力是单向的和CMLM的双向注意力不兼容。要用双向编码器架构。3.2 模型结构的关键改动标准Transformer编码器-解码器结构需要改两处第一解码器注意力改成双向。自回归解码器的自注意力是带因果mask的只能看左边。CMLM需要看两边所以要把因果mask去掉变成全连接注意力。这个改动在HuggingFace里可以通过设置is_decoderTrue但add_cross_attentionTrue然后手动去掉causal mask来实现。第二位置编码要支持任意长度。因为推理时是并行预测所有位置位置编码必须能覆盖整个目标长度。用可学习的位置嵌入或者正弦位置编码都行但要注意长度预测的最大值要留够余量。下面是一个简化的解码器层实现示意import torch import torch.nn as nn class CMLMDecoderLayer(nn.Module): def __init__(self, d_model, nhead, dim_feedforward): super().__init__() self.self_attn nn.MultiheadAttention(d_model, nhead, batch_firstTrue) self.cross_attn nn.MultiheadAttention(d_model, nhead, batch_firstTrue) self.ffn nn.Sequential( nn.Linear(d_model, dim_feedforward), nn.ReLU(), nn.Linear(dim_feedforward, d_model) ) self.norm1 nn.LayerNorm(d_model) self.norm2 nn.LayerNorm(d_model) self.norm3 nn.LayerNorm(d_model) def forward(self, tgt, memory, tgt_key_padding_maskNone): # 双向自注意力不加causal mask tgt2, _ self.self_attn(tgt, tgt, tgt, key_padding_masktgt_key_padding_mask) tgt self.norm1(tgt tgt2) # 交叉注意力看源序列 tgt2, _ self.cross_attn(tgt, memory, memory) tgt self.norm2(tgt tgt2) # 前馈 tgt2 self.ffn(tgt) tgt self.norm3(tgt tgt2) return tgt注意self_attn调用时没有传attn_mask这就是双向的关键。如果传了上三角mask就退化成自回归了。3.3 迭代解码的完整实现解码循环是整个方法的核心我把它拆成几个函数来写逻辑更清晰。def mask_predict_decode(model, src, src_mask, max_len, num_iterations10): batch_size src.size(0) device src.device # 初始全部mask tgt torch.full((batch_size, max_len), MASK_TOKEN_ID, devicedevice) # 记录每个位置是否已经确定 fixed torch.zeros(batch_size, max_len, dtypetorch.bool, devicedevice) for it in range(num_iterations): # 前向传播 logits model(src, src_mask, tgt) probs torch.softmax(logits, dim-1) max_probs, pred_tokens probs.max(dim-1) # 计算本轮要保留的数量 # 保留数随迭代递增第it轮保留 max_len * (it1) / num_iterations num_to_keep int(max_len * (it 1) / num_iterations) # 对每个样本按置信度选top-k for b in range(batch_size): # 已经固定的位置不参与 scores max_probs[b].clone() scores[fixed[b]] float(inf) # 已固定的强制保留 # 选置信度最高的num_to_keep个位置 _, topk_idx scores.topk(num_to_keep) new_fixed torch.zeros(max_len, dtypetorch.bool, devicedevice) new_fixed[topk_idx] True # 更新tgt固定的位置用预测词其余保持MASK tgt[b][new_fixed] pred_tokens[b][new_fixed] tgt[b][~new_fixed] MASK_TOKEN_ID fixed[b] new_fixed # 如果所有位置都固定了提前结束 if fixed.all(): break return tgt这段代码有几个实操要点。scores[fixed[b]] float(inf)这行保证已经确定的词不会被重新mask这是单调收敛的关键。num_to_keep的递增策略决定了收敛速度我试过线性递增和指数递增线性更稳指数在长序列上收敛快但容易早熟。注意topk操作在batch内是逐样本做的如果batch很大这个Python循环会成为瓶颈。实际部署时可以用向量化的方式把所有样本的置信度拼在一起做批量topk或者用torch.topk的batch版本。3.4 长度预测模块的接入长度预测我单独训了一个小的回归/分类头。输入是源序列的编码表示取平均或CLS位置输出是目标长度。训练数据直接用平行语料的真实长度。class LengthPredictor(nn.Module): def __init__(self, d_model, max_len): super().__init__() self.fc nn.Sequential( nn.Linear(d_model, d_model // 2), nn.ReLU(), nn.Linear(d_model // 2, max_len) ) def forward(self, encoder_output, src_mask): # 对源序列做masked mean pooling mask src_mask.unsqueeze(-1).float() pooled (encoder_output * mask).sum(1) / mask.sum(1) logits self.fc(pooled) return logits # 用交叉熵训练预测长度类别长度预测的准确率直接影响最终质量。我实测下来长度误差在±2以内时BLEU掉点不明显误差超过5质量断崖式下跌。所以长度预测器要单独调好别指望主模型能兜底。4. 调参经验与性能优化实录4.1 迭代次数与保留策略的权衡迭代次数T是最重要的超参数。T太小模型没机会修正错误质量差T太大加速比下降而且后期迭代收益递减。我的经验是T取ceil(log2(n))到ceil(log2(n)) 2之间比较合适。n50时T取7到8n100时T取8到9。再往上加BLEU提升不到0.5但延迟增加明显。保留策略我试过三种策略保留数量公式特点适用场景线性递增n*(t1)/T收敛稳迭代次数略多通用场景指数递增n*2^(t-T)收敛快易早熟短序列固定比例n*rr固定简单但后期浪费快速验证线性递增是最稳的我大部分实验都用这个。指数递增在长度小于30的短序列上能省1到2轮迭代但长序列上容易把错误的词过早固定后面改不回来。4.2 置信度校准的坑模型输出的softmax概率往往过度自信这是神经网络的通病。直接拿最大概率当置信度会导致一些实际错误的词因为概率高而被过早固定。我试过两种校准方法。一种是温度缩放在验证集上拟合一个温度参数T把logits除以T再softmax让概率分布更平滑。另一种是用多个轮次的预测一致性作为置信度——如果一个词连续两轮都被预测成同一个说明模型比较确定。温度缩放实现简单效果稳定我一般都会加上。代码就一行logits logits / temperature # temperature 1通常1.5到2.5 probs torch.softmax(logits, dim-1)一致性判断需要多存一份上一轮的预测显存开销小但逻辑稍复杂。两者可以结合用。4.3 批处理与显存优化Mask-Predict的批处理比AR复杂因为不同样本的迭代进度可能不同。最朴素的做法是等所有样本都跑完T轮再返回但这样短序列样本会陪跑。我用的优化是动态提前退出每个样本维护一个finished标志所有位置都固定后就标记完成后续迭代跳过该样本的计算。实现上可以用mask把已完成样本的loss和梯度置零或者干脆把它们从batch里摘出来。显存方面因为要同时保存所有位置的logits和概率显存占用比AR高。生成长度512时batch size要相应调小。可以用梯度检查点和混合精度来省显存我实测混合精度能省40%左右速度还快一点。提示推理时不需要梯度记得用torch.no_grad()包住整个解码循环否则显存会爆得莫名其妙。5. 常见问题排查与避坑指南5.1 生成结果重复、漏词怎么办这是NAR类方法的经典问题。重复通常是因为模型在某些位置反复预测同一个高频词漏词是因为长度预测偏短或者某些位置一直没被固定。排查思路先看长度预测是否准确如果长度偏短漏词是必然的。再看置信度分布如果大量位置置信度都很低说明模型没学好要检查训练mask策略。如果只是个别位置反复可以调低保留阈值让这些位置多迭代几轮。我遇到过一次严重的重复问题最后发现是训练时mask比例设得太低平均只有15%模型没见过高mask率场景。把mask比例范围调到10%到90%均匀采样后问题基本消失。5.2 迭代不收敛或震荡正常情况下每轮迭代固定的词应该单调增加生成质量单调提升。如果出现震荡——某些位置这轮固定了下轮又被改——说明保留策略有问题。最常见的原因是没有强制保留已固定的词。上面代码里scores[fixed[b]] float(inf)这行如果漏了已固定的词可能因为新一轮置信度低而被重新mask导致来回震荡。另一个原因是学习率太大模型输出不稳定这个在微调阶段要注意。5.3 加速比不达预期理论上T轮迭代应该比AR快n/T倍但实际测下来经常只有3到5倍。原因有几个Python循环开销逐样本的topk和更新操作在Python层做batch大时开销显著。解决方法是向量化。长度预测和预处理这些额外步骤吃掉了部分加速收益。GPU利用率并行解码的计算模式对GPU不如AR友好kernel启动开销占比高。我的优化顺序是先向量化topk操作再把长度预测和主模型合并到一次前向最后考虑用CUDA graph减少kernel启动开销。做完这些加速比能从3倍提到8倍左右。5.4 常见问题速查表现象可能原因排查方向解决手段生成重复词mask比例过低、置信度过度自信检查训练mask分布提高mask比例范围、加温度缩放漏词严重长度预测偏短对比预测长度与真实长度单独调长度预测器迭代震荡未强制保留已固定词检查解码循环逻辑加fixed标志强制保留加速比低Python循环、kernel开销profile各阶段耗时向量化、CUDA graph质量远差于AR迭代次数不足、模型欠训对比不同T下的BLEU增加T、延长训练显存溢出logits全量保存检查中间变量混合精度、梯度检查点6. 这套方法适合什么场景不适合什么场景Mask-Predict不是万能的用对场景才能发挥价值。适合的场景对延迟敏感、对质量要求不是极致、序列长度中等的任务。比如实时翻译、语音识别的文本后处理、对话系统的回复生成。这些场景下10倍加速带来的体验提升远大于BLEU掉的那一两个点。不太适合的场景对质量要求极高的任务比如法律文书翻译、医学报告生成这些场景宁可慢也要准AR还是首选。另外超长序列比如生成长度超过1000时迭代次数虽然是对数增长但每轮的计算量还是O(n^2)的注意力总开销依然很大这时候要考虑稀疏注意力或者分块生成。还有一个容易被忽略的点Mask-Predict对模型容量的要求比AR高。因为要并行预测所有位置模型需要更强的全局建模能力。小模型上Mask-Predict和AR的差距会拉大大模型上差距缩小。所以如果你的模型参数量很小可能得不偿失。我在实际项目里的体会是Mask-Predict最适合作为质量与速度的调节旋钮。通过调整迭代次数T可以在推理时动态权衡。T1就是纯NAR最快但质量最差Tlog2(n)是标准配置T再往上逼近AR质量。这种灵活性是纯AR或纯NAR给不了的。最后分享一个小技巧如果做的是多语言或者多任务场景可以把任务标识拼在源序列前面让同一个CMLM处理多个任务。我试过翻译和摘要共用一个模型只要任务标识区分清楚效果不比单独训差还省了部署成本。这个思路后续还可以扩展到更多生成任务上值得一试。
条件掩码语言模型的并行解码这个方向我在做文本生成加速的时候踩过不少坑。最早接触自回归解码那套东西生成一段两百字的文本要等好几秒用户端体验很差。后来看到Mask-Predict这篇工作思路确实让人眼前一亮——它把生成任务从从左到右一个字一个字蹦变成了先铺满整句再反复填空修正推理步数直接从O(n)降到O(log n)级别。这篇博文我就把这个方法的来龙去脉、核心机制、实操细节和踩坑经验完整梳理一遍适合做文本生成加速、机器翻译、文本摘要的同行参考也适合对非自回归生成感兴趣的朋友入门。1. 为什么需要并行解码自回归的瓶颈与非自回归的困境1.1 自回归解码到底慢在哪里先说说我们为什么要折腾并行解码这件事。标准的自回归Autoregressive, AR生成核心逻辑是P(y_t | y_t, x)也就是第t个词的概率依赖于前面所有已经生成的词。这个设计天然串行——你必须先算出第1个词才能算第2个再算第3个一路推到结束。生成长度为n的序列就需要n次前向传播。我实测过一个典型的Transformer翻译模型在单张消费级显卡上生成一条30词的译文大概需要300到500毫秒。如果做批量推理batch size拉大能摊薄一些但延迟的绝对值还是摆在那里。对于实时字幕、同声传译、对话系统这类场景几百毫秒的延迟已经很要命了。更麻烦的是序列越长延迟线性增长长文本生成基本没法做实时。自回归的另一个隐性成本是显存带宽。每次前向传播都要把整个模型的权重从显存读一遍而实际计算量很小GPU的算力根本吃不满瓶颈卡在访存上。这就是为什么AR解码的GPU利用率经常只有百分之十几。1.2 非自回归的诱惑与硬伤既然串行是瓶颈那最直接的想法就是能不能一次性把所有位置的词都预测出来这就是非自回归Non-Autoregressive, NAR生成的出发点。一次前向传播所有位置的输出同时出来推理步数从n降到1理论上能快几十倍。但天下没有免费的午餐。NAR最大的问题是条件独立性假设——它假设各个位置的词互相独立P(y|x) ∏P(y_t|x)。这个假设在真实语言里根本不成立。我吃饭和我饭吃词都一样但语序错了意思就变了。独立假设下模型没法建模词与词之间的依赖生成结果经常出现重复词、漏词、语序混乱。早期的NAR工作靠引入隐变量、迭代精炼、CTC损失等手段来缓解但效果始终和AR有差距。核心矛盾在于要么快但质量差要么质量好但慢。Mask-Predict的价值就在于它在这条光谱上找到了一个很聪明的中间点。1.3 Mask-Predict的定位迭代精炼的折中路线Mask-Predict的本质是迭代精炼Iterative Refinement。它不追求一步到位也不接受逐词串行而是用固定的T次迭代每次迭代并行地预测所有被mask的位置然后保留置信度高的词把置信度低的重新mask掉下一轮再猜。这个思路的关键洞察是生成一个词比判断一个词对不对要难。第一轮模型可能猜得不准但它对哪些位置猜得靠谱是有判断力的。把靠谱的固定下来不靠谱的交给下一轮随着迭代进行确定的位置越来越多上下文越来越完整剩下的词也就越来越好猜。从计算复杂度看AR是O(n)步NAR是O(1)步Mask-Predict是O(T)步T通常取log2(n)左右。生成100个词AR要100步Mask-Predict大概7到10步就够了加速比在10倍量级。而且质量能逼近甚至在某些任务上追平AR这是它最吸引人的地方。2. Mask-Predict的核心机制拆解2.1 条件掩码语言模型的训练目标Mask-Predict的底座是一个条件掩码语言模型Conditional Masked Language Model, CMLM。训练方式和BERT的掩码预测很像但多了条件输入。具体来说给定源序列x和目标序列y训练时随机mask掉y中一部分词让模型根据x和未被mask的y来预测被mask的词。这里有个关键细节mask的比例是随机采样的而不是固定的。论文里用的是均匀采样每个词被mask的概率独立这样模型能见到各种mask密度的样本推理时无论mask多少都能适应。损失函数就是标准的交叉熵只计算被mask位置的损失L -Σ log P(y_t | x, y_observed)其中求和只遍历被mask的位置。这个设计让模型学会根据可见上下文填空而不是从头生成。注意训练时的mask策略直接影响推理表现。如果训练时mask比例总是很低模型没见过高mask率的场景推理第一轮全mask就会崩。所以mask比例的随机化范围要覆盖推理时的实际需求。2.2 推理阶段的迭代解码流程推理阶段是Mask-Predict的精华所在。整个流程分三步循环第一步初始预测。把所有目标位置都mask掉输入全是[MASK]让模型一次性预测所有位置的词。这一步相当于NAR质量一般但给了个初始草稿。第二步计算置信度并筛选。对每个位置取模型输出的概率分布用最大概率值作为该位置的置信度分数。然后按置信度排序保留置信度最高的那部分词其余位置重新mask。第三步重新预测被mask的位置。把上一步保留的词作为已知上下文重新预测被mask的位置。重复第二步和第三步直到达到预设的迭代次数。迭代次数T和每轮保留的词数是两个关键超参数。论文里用的策略是第t轮保留n * (T-t1)/T个词也就是保留数量随迭代递减越往后保留越多。这样早期大胆探索后期精细收敛。2.3 置信度打分与mask策略的细节置信度怎么算这里有个容易忽略的点。直接用softmax最大概率值是可以的但论文里还试过用负熵作为置信度效果差不多。我自己的经验是最大概率值简单够用但在某些任务上用概率的几何平均或者考虑top-k的累积概率会更稳。mask策略也有讲究。最朴素的是按置信度全局排序保留top-k。但这样可能导致某些位置连续多轮都被mask而有些位置一轮就固定。另一种做法是按位置分块保证每个区域都有词被保留避免局部信息缺失。我在做长文本摘要时发现全局排序容易让句子开头和结尾先固定中间一大片反复猜分块策略能缓解这个问题。还有一个细节是长度预测。Mask-Predict需要预先知道目标序列长度因为要初始化对应数量的[MASK]。长度预测本身是个小任务可以单独训一个分类器也可以用源序列长度加个偏移量估计。长度预测错了整个生成就偏了这是NAR类方法的通病。3. 实操复现从零搭建一个Mask-Predict解码器3.1 环境准备与依赖选型我用的技术栈是PyTorch HuggingFace Transformers这套组合最省事。PyTorch版本建议1.10以上Transformers用4.x任意较新版本都行。硬件方面单张16G显存的卡就能跑中等规模实验做小规模验证8G也够。核心依赖pip install torch transformers datasets tokenizers如果你要自己训模型还需要准备数据加载和训练循环的代码。我建议先用预训练的掩码语言模型比如多语言BERT类做初始化再在目标任务上微调比从头训收敛快很多。提示不要直接用标准的因果语言模型如GPT类来改因为它们的注意力是单向的和CMLM的双向注意力不兼容。要用双向编码器架构。3.2 模型结构的关键改动标准Transformer编码器-解码器结构需要改两处第一解码器注意力改成双向。自回归解码器的自注意力是带因果mask的只能看左边。CMLM需要看两边所以要把因果mask去掉变成全连接注意力。这个改动在HuggingFace里可以通过设置is_decoderTrue但add_cross_attentionTrue然后手动去掉causal mask来实现。第二位置编码要支持任意长度。因为推理时是并行预测所有位置位置编码必须能覆盖整个目标长度。用可学习的位置嵌入或者正弦位置编码都行但要注意长度预测的最大值要留够余量。下面是一个简化的解码器层实现示意import torch import torch.nn as nn class CMLMDecoderLayer(nn.Module): def __init__(self, d_model, nhead, dim_feedforward): super().__init__() self.self_attn nn.MultiheadAttention(d_model, nhead, batch_firstTrue) self.cross_attn nn.MultiheadAttention(d_model, nhead, batch_firstTrue) self.ffn nn.Sequential( nn.Linear(d_model, dim_feedforward), nn.ReLU(), nn.Linear(dim_feedforward, d_model) ) self.norm1 nn.LayerNorm(d_model) self.norm2 nn.LayerNorm(d_model) self.norm3 nn.LayerNorm(d_model) def forward(self, tgt, memory, tgt_key_padding_maskNone): # 双向自注意力不加causal mask tgt2, _ self.self_attn(tgt, tgt, tgt, key_padding_masktgt_key_padding_mask) tgt self.norm1(tgt tgt2) # 交叉注意力看源序列 tgt2, _ self.cross_attn(tgt, memory, memory) tgt self.norm2(tgt tgt2) # 前馈 tgt2 self.ffn(tgt) tgt self.norm3(tgt tgt2) return tgt注意self_attn调用时没有传attn_mask这就是双向的关键。如果传了上三角mask就退化成自回归了。3.3 迭代解码的完整实现解码循环是整个方法的核心我把它拆成几个函数来写逻辑更清晰。def mask_predict_decode(model, src, src_mask, max_len, num_iterations10): batch_size src.size(0) device src.device # 初始全部mask tgt torch.full((batch_size, max_len), MASK_TOKEN_ID, devicedevice) # 记录每个位置是否已经确定 fixed torch.zeros(batch_size, max_len, dtypetorch.bool, devicedevice) for it in range(num_iterations): # 前向传播 logits model(src, src_mask, tgt) probs torch.softmax(logits, dim-1) max_probs, pred_tokens probs.max(dim-1) # 计算本轮要保留的数量 # 保留数随迭代递增第it轮保留 max_len * (it1) / num_iterations num_to_keep int(max_len * (it 1) / num_iterations) # 对每个样本按置信度选top-k for b in range(batch_size): # 已经固定的位置不参与 scores max_probs[b].clone() scores[fixed[b]] float(inf) # 已固定的强制保留 # 选置信度最高的num_to_keep个位置 _, topk_idx scores.topk(num_to_keep) new_fixed torch.zeros(max_len, dtypetorch.bool, devicedevice) new_fixed[topk_idx] True # 更新tgt固定的位置用预测词其余保持MASK tgt[b][new_fixed] pred_tokens[b][new_fixed] tgt[b][~new_fixed] MASK_TOKEN_ID fixed[b] new_fixed # 如果所有位置都固定了提前结束 if fixed.all(): break return tgt这段代码有几个实操要点。scores[fixed[b]] float(inf)这行保证已经确定的词不会被重新mask这是单调收敛的关键。num_to_keep的递增策略决定了收敛速度我试过线性递增和指数递增线性更稳指数在长序列上收敛快但容易早熟。注意topk操作在batch内是逐样本做的如果batch很大这个Python循环会成为瓶颈。实际部署时可以用向量化的方式把所有样本的置信度拼在一起做批量topk或者用torch.topk的batch版本。3.4 长度预测模块的接入长度预测我单独训了一个小的回归/分类头。输入是源序列的编码表示取平均或CLS位置输出是目标长度。训练数据直接用平行语料的真实长度。class LengthPredictor(nn.Module): def __init__(self, d_model, max_len): super().__init__() self.fc nn.Sequential( nn.Linear(d_model, d_model // 2), nn.ReLU(), nn.Linear(d_model // 2, max_len) ) def forward(self, encoder_output, src_mask): # 对源序列做masked mean pooling mask src_mask.unsqueeze(-1).float() pooled (encoder_output * mask).sum(1) / mask.sum(1) logits self.fc(pooled) return logits # 用交叉熵训练预测长度类别长度预测的准确率直接影响最终质量。我实测下来长度误差在±2以内时BLEU掉点不明显误差超过5质量断崖式下跌。所以长度预测器要单独调好别指望主模型能兜底。4. 调参经验与性能优化实录4.1 迭代次数与保留策略的权衡迭代次数T是最重要的超参数。T太小模型没机会修正错误质量差T太大加速比下降而且后期迭代收益递减。我的经验是T取ceil(log2(n))到ceil(log2(n)) 2之间比较合适。n50时T取7到8n100时T取8到9。再往上加BLEU提升不到0.5但延迟增加明显。保留策略我试过三种策略保留数量公式特点适用场景线性递增n*(t1)/T收敛稳迭代次数略多通用场景指数递增n*2^(t-T)收敛快易早熟短序列固定比例n*rr固定简单但后期浪费快速验证线性递增是最稳的我大部分实验都用这个。指数递增在长度小于30的短序列上能省1到2轮迭代但长序列上容易把错误的词过早固定后面改不回来。4.2 置信度校准的坑模型输出的softmax概率往往过度自信这是神经网络的通病。直接拿最大概率当置信度会导致一些实际错误的词因为概率高而被过早固定。我试过两种校准方法。一种是温度缩放在验证集上拟合一个温度参数T把logits除以T再softmax让概率分布更平滑。另一种是用多个轮次的预测一致性作为置信度——如果一个词连续两轮都被预测成同一个说明模型比较确定。温度缩放实现简单效果稳定我一般都会加上。代码就一行logits logits / temperature # temperature 1通常1.5到2.5 probs torch.softmax(logits, dim-1)一致性判断需要多存一份上一轮的预测显存开销小但逻辑稍复杂。两者可以结合用。4.3 批处理与显存优化Mask-Predict的批处理比AR复杂因为不同样本的迭代进度可能不同。最朴素的做法是等所有样本都跑完T轮再返回但这样短序列样本会陪跑。我用的优化是动态提前退出每个样本维护一个finished标志所有位置都固定后就标记完成后续迭代跳过该样本的计算。实现上可以用mask把已完成样本的loss和梯度置零或者干脆把它们从batch里摘出来。显存方面因为要同时保存所有位置的logits和概率显存占用比AR高。生成长度512时batch size要相应调小。可以用梯度检查点和混合精度来省显存我实测混合精度能省40%左右速度还快一点。提示推理时不需要梯度记得用torch.no_grad()包住整个解码循环否则显存会爆得莫名其妙。5. 常见问题排查与避坑指南5.1 生成结果重复、漏词怎么办这是NAR类方法的经典问题。重复通常是因为模型在某些位置反复预测同一个高频词漏词是因为长度预测偏短或者某些位置一直没被固定。排查思路先看长度预测是否准确如果长度偏短漏词是必然的。再看置信度分布如果大量位置置信度都很低说明模型没学好要检查训练mask策略。如果只是个别位置反复可以调低保留阈值让这些位置多迭代几轮。我遇到过一次严重的重复问题最后发现是训练时mask比例设得太低平均只有15%模型没见过高mask率场景。把mask比例范围调到10%到90%均匀采样后问题基本消失。5.2 迭代不收敛或震荡正常情况下每轮迭代固定的词应该单调增加生成质量单调提升。如果出现震荡——某些位置这轮固定了下轮又被改——说明保留策略有问题。最常见的原因是没有强制保留已固定的词。上面代码里scores[fixed[b]] float(inf)这行如果漏了已固定的词可能因为新一轮置信度低而被重新mask导致来回震荡。另一个原因是学习率太大模型输出不稳定这个在微调阶段要注意。5.3 加速比不达预期理论上T轮迭代应该比AR快n/T倍但实际测下来经常只有3到5倍。原因有几个Python循环开销逐样本的topk和更新操作在Python层做batch大时开销显著。解决方法是向量化。长度预测和预处理这些额外步骤吃掉了部分加速收益。GPU利用率并行解码的计算模式对GPU不如AR友好kernel启动开销占比高。我的优化顺序是先向量化topk操作再把长度预测和主模型合并到一次前向最后考虑用CUDA graph减少kernel启动开销。做完这些加速比能从3倍提到8倍左右。5.4 常见问题速查表现象可能原因排查方向解决手段生成重复词mask比例过低、置信度过度自信检查训练mask分布提高mask比例范围、加温度缩放漏词严重长度预测偏短对比预测长度与真实长度单独调长度预测器迭代震荡未强制保留已固定词检查解码循环逻辑加fixed标志强制保留加速比低Python循环、kernel开销profile各阶段耗时向量化、CUDA graph质量远差于AR迭代次数不足、模型欠训对比不同T下的BLEU增加T、延长训练显存溢出logits全量保存检查中间变量混合精度、梯度检查点6. 这套方法适合什么场景不适合什么场景Mask-Predict不是万能的用对场景才能发挥价值。适合的场景对延迟敏感、对质量要求不是极致、序列长度中等的任务。比如实时翻译、语音识别的文本后处理、对话系统的回复生成。这些场景下10倍加速带来的体验提升远大于BLEU掉的那一两个点。不太适合的场景对质量要求极高的任务比如法律文书翻译、医学报告生成这些场景宁可慢也要准AR还是首选。另外超长序列比如生成长度超过1000时迭代次数虽然是对数增长但每轮的计算量还是O(n^2)的注意力总开销依然很大这时候要考虑稀疏注意力或者分块生成。还有一个容易被忽略的点Mask-Predict对模型容量的要求比AR高。因为要并行预测所有位置模型需要更强的全局建模能力。小模型上Mask-Predict和AR的差距会拉大大模型上差距缩小。所以如果你的模型参数量很小可能得不偿失。我在实际项目里的体会是Mask-Predict最适合作为质量与速度的调节旋钮。通过调整迭代次数T可以在推理时动态权衡。T1就是纯NAR最快但质量最差Tlog2(n)是标准配置T再往上逼近AR质量。这种灵活性是纯AR或纯NAR给不了的。最后分享一个小技巧如果做的是多语言或者多任务场景可以把任务标识拼在源序列前面让同一个CMLM处理多个任务。我试过翻译和摘要共用一个模型只要任务标识区分清楚效果不比单独训差还省了部署成本。这个思路后续还可以扩展到更多生成任务上值得一试。
