Tokenswift 是北京通用人工智能研究院团队推出的超长文本生成加速框架，能在90分钟内生成10万Token的文本，相比传统自回归模型的近5小时，速度提升了3倍，生成质量无损。Tokenswift 通过多Token生成与Token重用、动态KV缓存更新以及上下文惩罚机制等技术，减少模型加载延迟、优化缓存更新时间并确保生成多样性。支持多种不同规模和架构的模型，如1.5B、7B、8B、14B的MHA和GQA模型。

TokenSwift的主要功能

超长文本生成加速:Tokenswift 能显著缩短超长文本的生成时间。例如，传统自回归模型生成10万Token的文本可能需要近5个小时，TokenSwift仅需90分钟，速度提升了3倍，极大地提高了生成效率。
无损加速:在加速的同时，Tokenswift能保持原始模型的输出质量，确保生成文本的质量和多样性。支持多种模型:Tokenswift支持多种不同规模和架构的模型，包括1.58、7B、8B、14B的模型，以及多头注意力(MHA)和分组查询注意力(GQA)架构。

TokenSwift的技术原理

多Token并行生成与Token复用:TokenSwit借鉴了Medusa等方法，通过引入额外的线性层，使模型在一次前向传播中能同时生成多个草稿Token。基于生成文本中的n-gram频率信息，系统会自动检索并复用高频短语，进一步减少模型重新加载的次数，提升整体效率。
动态KV缓存更新策略:在KV缓存管理上，TokenSwift采用动态更新策略。系统在生成过程中将初始KV缓存保留，同时根据Token的重要性对后续缓存进行有序替换。
基于树结构的多候选Token验证:为保证生成结果与目标模型预测的一致性，Tokenswift引入了树形注意力机制。通过构建包含多个候选Token组合的树形结构，采用并行验证的方式，从中随机选择最长且有效的n-gram作为最终输出，确保生成过程无损且多样性得到提升。
上下文惩罚策略:为了进一步抑制重复生成问题，Tokenswift设计了一种上下文惩罚方法。在生成过程中为近期生成的Token施加惩罚，使模型在选择下一Token时更倾向于多样化输出，有效减少重复现象。

TokenSwift的应用场景

内容创作与文案生成:Tokenswift 能在短时间内生成高质量的文本内容。对于内容创作者、广告公司和媒体机构来说，可以大幅提高工作效率。
智能客服与聊天机器人:在智能客服和聊天机器人中，TokenSwift 可以快速生成详细的回答，在需要处理复杂问题或长篇解释时，能提供更高效、更连贯的对话体验。
学术研究与论文撰写:对于学术研究和论文撰写，Tokenswift 可以帮助研究人员快速生成文献综述、实验报告或论文草稿，节省大量的时间和精力。
代码生成与编程辅助:在编程领域，Tokenswift 可以用于生成复杂的代码片段或文档，帮助开发者快速构建和优化代码。

TokenSwift的项目地址

项目官网:https://bigai-nlco.github.io/TokenSwift/c

Github仓库:https://github.com/bigai-nlco/TokenSwiftz

HuggingFace模型库:https://huggingface.co/TokenSwiftcarXiv

技术论文:https://arxiv.org/pdf/2502.18890