AI 研究助理

基于站内最新资料,回答 AI 前沿问题

回答带出处引用,支持多轮追问,当前页面内容会作为上下文

快速响应
AI 前沿跟踪
今日首页重点内容GitHub 趋势榜
领域
学术研究
大模型
具身智能
AI 基础设施
智能体 · Skill · MCP
机器人
多模态
自动驾驶
数据 / MLOps
AI 硬件
安全对齐
综述与报告
论文AI 基础设施推理加速层次RAG并行推理LLM控制

Compiling Autoregressive LLM Control into Policy-Exact Parallel Inference for Hierarchical RAG

查看原文(PDF)
AI 解读已生成 · AI 生成,数字以原文为准
AI 全文总结值得深入基于论文全文 2.7 万字 · 完整阅读

分层 RAG 的 LLM 控制器可编译为一次探针:策略一致 84–89%、延迟降 35–47%

层次RAG的LLM控制器若沿用串行语法约束解码,关键路径长且逐token前向,自由JSON易错,unary捷径丧失历史依赖。作者把动作语法编译成动作前缀树:一次根预填充加一次tree-causal probe,在块因果掩码和串行位置索引下并行求值全部可达状态;前缀状态引理保证精确算术下策略等价,深度降为2、不产生输出token。在QASPER多个文档不交split上,作者报告编译控制与串行策略在84–89%问题上动作序列一致,分歧均为浮点近tie,fp32重放显著缩小偏差;控制延迟比串行低35–47%,比理想chunked引擎低6–7%。probe还给出顺序边缘化MAP集认证和交互质量KL界;质量跟踪源策略,混合阈值可恢复一致但更慢。局限是宽度随动作数阶乘增长,四动作时撞上宽度墙。

  1. 1受约束控制器可编译为前缀树探针,策略精确等价(Lemma 1)
  2. 2交互质量 Iseq​ 中位 2.6 nats,单变量捷径仅 14% 轮次可证明无害
  3. 3n=4 遇宽度墙:362 行探针短提示下仅 0.4–0.6× 串行

为什么重要 对做层次 RAG/有限动作控制器的工程师:控制延迟降 35–47%、零输出令牌,且策略一致 84–89%,可直接替换串行语法解码适合 适合在有限动作 LLM 控制器、分层 RAG、推理引擎上做延迟优化的工程师

来源
arxiv.org
发布
2026/10/23

中文(AI 翻译)

大型语言模型越来越多地在结构化决策流水线中充当控制器,但它们的决策仍由自回归文本解码来执行。层次化 RAG 就是这类场景之一:在文档树的每个前沿,LLM 在输入相关动作语法下从 k 个部分中选定 b 个,并以容易失败的自由格式 JSON 或可靠但严格串行的语法约束生成来执行。

我们表明,对于有界视界的控制,这种串行化是不必要的:可达未来构成一棵浅层动作前缀树,我们将该树编译——一次根预填充加一次树因果探测,以串行解码的 tokens、位置和因果祖先来评估每个前缀条件下的动作分布。一个前缀状态引理使编译后的控制在精确算术中做到策略精确:同一策略具有两次前向关键路径和零输出 tokens。

进一步的探测传递还会认证精确的次序边际化 MAP 集合。在 primary MetaX 设备的四个文档不相交划分和两个规模上,编译控制在 84–89% 的问题上与串行策略匹配——每个被记录的分歧都是浮点近似平局——并且相比逐 token 串行解码将控制延迟降低 35–47%,相比理想化的分块引擎降低 6–7%;H800 重复实验保持了这一排序。

原文

Large language models increasingly act as controllers in structured decision pipelines, yet their decisions are still executed by autoregressive text decoding.

Hierarchical RAG is one such setting: at each frontier of a document tree, an LLM commits to b of k sections under an input-dependent action grammar, executed as either failure-prone free-form JSON or reliable but strictly serial grammar-constrained generation.

We show that this serialization is unnecessary for bounded-horizon control: the reachable future forms a shallow action-prefix tree, which we compile --- one root prefill plus one tree-causal probe evaluate every prefix-conditioned action distribution with serial decoding's tokens, positions, and causal ancestry.

A prefix-state lemma makes compiled control policy-exact in exact arithmetic: the same policy with a two-forward critical path and zero output tokens.

One further probe pass certifies the exact order-marginalized MAP set.

Across four document-disjoint splits and two scales on the primary MetaX device, compiled control matches the serial policy on 84--89% of questions --- every instrumented divergence a floating-point near-tie --- and cuts control latency by 35--47% versus token-wise serial decoding and 6--7% versus an idealized chunked engine; an H800 repetition preserves the ordering.

84–89%

问题级一致

四分割,7B

35–47%

平均延迟降幅

对比串行解码

87–90%

集合级一致

部分分歧仅置换顺序

6–7%

较 chunked 降幅

理想化chunked基线

≈0.05

fp32 图偏差

split A replay

注释 · 数字取自摘要与表1,MetaX C500 上四分割 7B;3B 为 87%/47%出自 摘要 & 表1

  • D·串行
    0.58 s
  • D·chunked
    0.37 s
  • D·编译
    0.35 s
  • E·串行
    0.64 s
  • E·chunked
    0.40 s
  • E·编译
    0.37 s

注释 · MetaX C500 上每问题整遍历墙钟,秒;D/E 为 fresh splits出自 §4.1 四臂

展示串行每发射一 token 一个依赖前向(b+msyn​≈9)与编译的根预填+树因果探针;D 分割控制延迟 -36%、零输出 token/协议失败;fp32 平均图偏差约 0.05
模型
Qwen2.5-7B/3B-Instruct
精度
bf16 / fp32 replay
主硬件
MetaX C500
重复硬件
NVIDIA H800
数据集
QASPER

深度总结

1 / 6
2
编译控制执行流程· 流程

串行深度从约 9 次依赖前向换成一次根预填充+一次树因果探针,关键路径降到 2

  1. 01
    根预填充

    一次前向处理 prompt 与强制开头语法,得到 slot-1 logits 与共享 KV,按 Eq.(1) 解析首个动作 a1

  2. 02
    构造前缀续写

    对 N(k,n) 个前缀状态各自拼接串行解码会发出的精确强制 token 序列,二三百 token 量级

  3. 03
    树因果探针

    单次前向,块因果掩码下每行只注意缓存 prompt 与自身祖先,位置索引保持串行一致

  4. 04
    算术恢复动作链

    每行最后位置即该前缀的动作分布,据此取 a2、a3,逐槽恢复贪婪链

  5. 05
    集合边缘化与 MAP 证书

    探针使顺序边缘化后验可精确计算;分支限界证书 L(S)>max U(S′) 证明精确 MAP 集

注释 · 根预填充解析首个动作;探针一次性评估所有前缀条件分布出自 §3.2