SPD: Single Pass Decoding for Generative Reranking

TL;DR

SPD方法使用匈牙利算法实现单次前向传递解码,提升64倍速度。

cs.LG 🔴 高级 2026-09-02 3 次浏览
Emil Laftchiev Prachi Agrawal Moe Kayali Bixing Yan Qi Xu Zijie Lei Chen Qiu Zhi Hua Ke Li Luke Simon
生成排序 匈牙利算法 LoRA微调 大语言模型 组合优化

核心发现

方法论

SPD通过单次前向传递解码生成排序。使用轻量级自注意力头从LLM的预填充隐藏状态中读取N×K项-位置分数矩阵,然后通过匈牙利算法解码为最优二分匹配,生成有效排列。结合LoRA微调和自回归LLM排序蒸馏,达到28毫秒的端到端推理速度。

关键结果

  • 在内部数据集上,SPD实现了64倍的速度提升,保持与教师模型相当的排名质量。具体来说,SPD在Recall@1上达到0.1652,而教师模型为0.1634。
  • 在Amazon Beauty数据集上,SPD实现了44.9倍的速度提升,AUC达到0.6168,与32B Qwen模型的0.6292接近。
  • 通过对不同评分头配置的消融实验,验证了自注意力头的最佳性能。

研究意义

SPD将生成排序与组合优化相结合,显著提升了实时排序的效率。通过将排序解码简化为最优分配问题,SPD为其他O(1)解码机制铺平了道路,具有广泛的应用潜力。此方法在推荐系统、广告和搜索领域具有重要意义。

技术贡献

SPD提出了一种新的解码策略,将排序解码视为隐藏状态上的最优分配问题。与现有的自回归解码方法相比,SPD在推理阶段实现了显著的速度提升,并保证输出的有效性。通过LoRA微调,增强了模型的适应能力。

新颖性

SPD首次将匈牙利算法应用于生成排序的解码过程,直接从隐藏状态解码排名,而非从输出logits。相比于FIRST等方法,SPD在解码策略上实现了根本性创新。

局限性

  • SPD在处理大规模数据集时可能受到匈牙利算法的复杂性限制,尽管在小规模数据集上表现良好。
  • 模型的性能依赖于预填充阶段的隐藏状态质量,可能在某些情况下受到影响。
  • 在某些应用场景中,可能需要进一步优化以处理特定的排序需求。

未来方向

未来研究可以探索SPD在不同数据集和应用场景中的性能,优化匈牙利算法的效率,并结合其他组合优化技术以进一步提升排序质量和速度。

AI 总览摘要

大语言模型在生成排序中表现出色,但其解码过程通常需要逐个生成排序项,导致效率低下。SPD通过单次前向传递解码所有排序项,显著提升了排序效率。该方法利用轻量级自注意力头从隐藏状态中读取分数矩阵,并通过匈牙利算法解码为最优排列。实验表明,SPD在多个数据集上实现了显著的速度提升,同时保持了与教师模型相当的排名质量。SPD的创新在于将排序解码视为组合优化问题,为实时排序提供了新的解决方案。尽管SPD在某些情况下可能受到限制,但其潜力巨大,未来研究可以进一步优化其性能。

深度分析

研究背景

生成排序是推荐系统、广告和搜索领域的重要任务。传统的自回归解码方法需要逐个生成排序项,导致效率低下。近年来,大语言模型在生成排序中表现出色,但其解码过程仍然是一个瓶颈。SPD通过将排序解码简化为组合优化问题,提供了一种新的解决方案。

核心问题

生成排序需要对N个候选项进行排序,传统的自回归解码方法需要逐个生成排序项,导致效率低下。如何在保持排序质量的同时提升解码效率是一个重要且困难的问题。

核心创新

SPD通过单次前向传递解码所有排序项,显著提升了排序效率。其核心创新在于使用匈牙利算法解码排序项,将排序解码视为最优分配问题。与现有方法相比,SPD在解码策略上实现了根本性创新。

方法详解

  • �� 使用轻量级自注意力头从LLM的预填充隐藏状态中读取N×K项-位置分数矩阵。
  • �� 通过匈牙利算法解码为最优二分匹配,生成有效排列。
  • �� 结合LoRA微调和自回归LLM排序蒸馏,达到28毫秒的端到端推理速度。

实验设计

实验在内部数据集和Amazon Beauty数据集上进行,评估SPD的性能和延迟。使用AUC、Recall@{1, 10}和NDCG@1作为指标。通过消融实验验证不同评分头配置的性能。

结果分析

SPD在内部数据集上实现了64倍的速度提升,保持与教师模型相当的排名质量。在Amazon Beauty数据集上,SPD实现了44.9倍的速度提升,AUC达到0.6168,与32B Qwen模型的0.6292接近。消融实验验证了自注意力头的最佳性能。

应用场景

SPD可用于推荐系统、广告和搜索领域的实时排序任务。其高效的解码策略使其能够在严格的延迟限制下提供高质量的排序结果。

局限与展望

SPD在处理大规模数据集时可能受到匈牙利算法的复杂性限制。模型的性能依赖于预填充阶段的隐藏状态质量,可能在某些情况下受到影响。未来研究可以进一步优化其性能。

通俗解读 非专业人士也能看懂

想象你在一个大型超市购物,SPD就像一个超级高效的收银员。传统的收银员需要逐个扫描每件商品,而SPD只需看一眼购物车,就能快速决定每件商品的最佳摆放位置。它通过一种特殊的算法,确保每件商品都能快速找到自己的位置,而不需要逐个处理。这种方法不仅节省时间,还能确保每件商品都能正确排列,就像超市货架上的商品一样整齐有序。

简单解释 像给14岁少年讲一样

嘿,小伙伴们!想象一下你在玩一个超级酷的游戏,你需要快速排列一堆物品。传统的方法就像慢吞吞地一个个放置,而SPD就像一个超级快的机器人,只需看一眼就能快速排列所有物品。它使用一种叫做匈牙利算法的超级聪明方法,确保每个物品都能找到自己的最佳位置。这样你就能快速完成任务,继续享受游戏的乐趣!是不是很酷?

术语表

匈牙利算法 (Hungarian Algorithm)

一种用于解决最优分配问题的算法,能够在多项式时间内找到最优匹配。

在SPD中用于解码排序项。

LoRA微调 (LoRA Fine-tuning)

一种低秩适应技术,用于微调模型的线性投影,增强模型的适应能力。

用于增强SPD的模型性能。

生成排序 (Generative Ranking)

一种生成候选项完整排序的技术,通常用于推荐系统。

SPD通过组合优化实现高效生成排序。

自注意力头 (Self-Attention Head)

一种轻量级的注意力机制,用于比较候选项之间的关系。

用于生成分数矩阵。

组合优化 (Combinatorial Optimization)

一种优化技术,涉及对离散对象的组合进行优化。

SPD将排序解码视为组合优化问题。

开放问题 这项研究留下的未解疑问

  • 1 如何在大规模数据集上进一步优化SPD的性能?当前方法在处理大规模数据时可能受到限制。
  • 2 如何结合其他组合优化技术以提升SPD的排序质量和速度?
  • 3 如何在不同应用场景中验证SPD的性能?

应用场景

近期应用

实时推荐系统

SPD可用于实时推荐系统,提供高效的排序结果,满足严格的延迟要求。

广告排序

在广告排序中,SPD可用于快速生成高质量的广告排列,提升用户体验。

远期愿景

搜索引擎优化

SPD可用于优化搜索引擎的排序算法,提供更快更准确的搜索结果。

原文摘要

Large language models (LLMs) achieve state-of-the-art generative ranking quality, but the ranking they produce must be decoded, and autoregressive decoding spends one sequential forward pass per emitted token. We observe that the only tokens a ranker must emit are the $N$ ordinal values naming the items in ranked order, and that this narrow, permutation-structured output format admits decoding strategies which are much more efficient than left-to-right generation. We introduce SPD (Single Forward Pass), a format-specialized decoding strategy that decodes all $N$ ordinals in $O(1)$ forward passes. SPD reads an $N \times K$ item-position score matrix off the LLM's prefill hidden states with a lightweight self-attention head, then decodes the ordinals as the optimal bipartite assignment of that matrix via the Hungarian algorithm, yielding a valid permutation by construction rather than by repair. Through a systematic study of training signals and backbone adaptation, we show that LoRA-based fine-tuning combined with auto-regressive LLM ranking distillation reaches 28 ms end-to-end inference, a speed-up of 64x while maintaining ranking quality on par with the teacher. We provide a complete ablation decomposing the contributions of architecture, training signal, and backbone adaptation. Our framework connects generative ranking to combinatorial optimization, opening a path toward other $O(1)$-decode mechanisms for real-time ranking.

cs.LG cs.AI cs.IR