Heim
Google DeepMind stellt das STATIC-Framework vor, mit dem sich die Abrufgeschwindigkeit bei generativen Suchvorgängen mit großen Sprachmodellen (LLM) um das 948-Fache steigern lässt
In modernen industriellen Empfehlungssystemen verdrängt das auf großen Sprachmodellen (LLM) basierende Generative Retrieval (GR) zunehmend die herkömmliche, auf Embeddings basierende Suche. In der Praxis stößt dieser Ansatz jedoch auf ein entscheidendes Problem: Das Modell generiert häufig ungültige Produkt-IDs oder Ergebnisse, die gegen Bestandsbeschränkungen verstoßen, was zu unsinnigen Empfehlungen führt.
Um dieses Problem zu lösen, haben Forscher von Google DeepMind und YouTube gemeinsam ein neues Framework namens STATIC (Sparse Transition Matrix Accelerated Trie Index for Constrained Decoding) vorgestellt. Diese Technik nutzt innovative mathematische Methoden, um die bedingte Dekodierung in LLMs um das beeindruckende 948-Fache zu beschleunigen.

Wichtige technologische Durchbrüche:
„Baum“ in „Matrix“ umwandeln: Die herkömmliche Überprüfung von Einschränkungen stützt sich auf Präfixbäume (Trie), die auf Hardware wie GPUs und TPUs ineffizient arbeiten. STATIC wandelt den komplexen Baum in eine statische komprimierte Sparse-Row-Matrix (CSR) um und verwandelt die Überprüfung so in eine vektorisierte Operation, die von der Hardware effizient verarbeitet werden kann.
Außergewöhnliche Reaktionsgeschwindigkeit: In Tests mit einem Modell mit 3 Milliarden Parametern erreicht STATIC eine Einzelschritt-Latenz von nur 0,033 Millisekunden. Das ist fast 1 .000-mal schneller als herkömmliches CPU-basiertes Abrufen und über 40-mal schneller als bestehende hardwarebeschleunigte Lösungen.
Erfolgreicher Test bei YouTube: STATIC wurde im Videoempfehlungssystem von YouTube eingesetzt, um sicherzustellen, dass die Empfehlungen geschäftliche Vorgaben erfüllen, wie beispielsweise die Aktualität der Videos innerhalb der letzten sieben Tage. Tests ergaben einen Anstieg des Wiedergabevolumens um 5,1 % bei aktuellen Videos sowie eine deutliche Verbesserung der Klickrate (CTR).
Darüber hinaus überwindet STATIC die Einschränkungen des generativen Abrufs während der Cold-Start-Phase. Durch die Durchsetzung präziser Dekodierungsbeschränkungen erzielt das Modell eine deutliche Verbesserung der Genauigkeit bei der Empfehlung völlig neuer Produkte, auf die es zuvor noch nie gestoßen ist.
Verwandter Artikel
Die KI von OpenAI löst 722 Mathematikaufgaben und löst damit bei menschlichen Mathematikern Besorgnis aus
Die rasante Entwicklung der künstlichen Intelligenz in der Mathematik verändert die Außenwahrnehmung dieses Fachgebiets grundlegend. OpenAI hat kürzlich 722 Beweismanuskripte aus 17 verschiedenen math
KI beschleunigt die Erkennung von Sicherheitslücken angesichts zunehmender Sicherheitsmängel und Hackerangriffe
Bloomberg berichtete am 28. Juli, dass KI die Aufdeckung von Software-Sicherheitslücken erheblich beschleunigt. Aktuellen Trends zufolge wird sich die Zahl der Sicherheitslücken, die 2026 in gängigen
Wie lassen sich die Core Web Vitals optimieren, um bessere SEO-Rankings zu erzielen?
Wir stellen „Free Willy“ vor: Eine neue Ära für Open-Source-SprachmodelleInhaltsverzeichnis:Woody’s AI und Carper AI Lab: Eine strategische PartnerschaftDie entscheidende Rolle der natürlichen Sprachv
Empfehlungen zu verwandten Spezialthemen
Kommentare (1)
In modernen industriellen Empfehlungssystemen verdrängt das auf großen Sprachmodellen (LLM) basierende Generative Retrieval (GR) zunehmend die herkömmliche, auf Embeddings basierende Suche. In der Praxis stößt dieser Ansatz jedoch auf ein entscheidendes Problem: Das Modell generiert häufig ungültige Produkt-IDs oder Ergebnisse, die gegen Bestandsbeschränkungen verstoßen, was zu unsinnigen Empfehlungen führt.
Um dieses Problem zu lösen, haben Forscher von Google DeepMind und YouTube gemeinsam ein neues Framework namens STATIC (Sparse Transition Matrix Accelerated Trie Index for Constrained Decoding) vorgestellt. Diese Technik nutzt innovative mathematische Methoden, um die bedingte Dekodierung in LLMs um das beeindruckende 948-Fache zu beschleunigen.

Wichtige technologische Durchbrüche:
„Baum“ in „Matrix“ umwandeln: Die herkömmliche Überprüfung von Einschränkungen stützt sich auf Präfixbäume (Trie), die auf Hardware wie GPUs und TPUs ineffizient arbeiten. STATIC wandelt den komplexen Baum in eine statische komprimierte Sparse-Row-Matrix (CSR) um und verwandelt die Überprüfung so in eine vektorisierte Operation, die von der Hardware effizient verarbeitet werden kann.
Außergewöhnliche Reaktionsgeschwindigkeit: In Tests mit einem Modell mit 3 Milliarden Parametern erreicht STATIC eine Einzelschritt-Latenz von nur 0,033 Millisekunden. Das ist fast 1 .000-mal schneller als herkömmliches CPU-basiertes Abrufen und über 40-mal schneller als bestehende hardwarebeschleunigte Lösungen.
Erfolgreicher Test bei YouTube: STATIC wurde im Videoempfehlungssystem von YouTube eingesetzt, um sicherzustellen, dass die Empfehlungen geschäftliche Vorgaben erfüllen, wie beispielsweise die Aktualität der Videos innerhalb der letzten sieben Tage. Tests ergaben einen Anstieg des Wiedergabevolumens um 5,1 % bei aktuellen Videos sowie eine deutliche Verbesserung der Klickrate (CTR).
Darüber hinaus überwindet STATIC die Einschränkungen des generativen Abrufs während der Cold-Start-Phase. Durch die Durchsetzung präziser Dekodierungsbeschränkungen erzielt das Modell eine deutliche Verbesserung der Genauigkeit bei der Empfehlung völlig neuer Produkte, auf die es zuvor noch nie gestoßen ist.
Die KI von OpenAI löst 722 Mathematikaufgaben und löst damit bei menschlichen Mathematikern Besorgnis aus
Die rasante Entwicklung der künstlichen Intelligenz in der Mathematik verändert die Außenwahrnehmung dieses Fachgebiets grundlegend. OpenAI hat kürzlich 722 Beweismanuskripte aus 17 verschiedenen math
KI beschleunigt die Erkennung von Sicherheitslücken angesichts zunehmender Sicherheitsmängel und Hackerangriffe
Bloomberg berichtete am 28. Juli, dass KI die Aufdeckung von Software-Sicherheitslücken erheblich beschleunigt. Aktuellen Trends zufolge wird sich die Zahl der Sicherheitslücken, die 2026 in gängigen
Wie lassen sich die Core Web Vitals optimieren, um bessere SEO-Rankings zu erzielen?
Wir stellen „Free Willy“ vor: Eine neue Ära für Open-Source-SprachmodelleInhaltsverzeichnis:Woody’s AI und Carper AI Lab: Eine strategische PartnerschaftDie entscheidende Rolle der natürlichen Sprachv











