E Ink元太科技連三年入選道瓊可持續(xù)雙指數(shù)撬動(dòng)6000億GTV后,抖音計(jì)劃偷襲美團(tuán)大本營(yíng)AGI Open Network(AON):賦能每個(gè)人創(chuàng)建、部署和貨幣化AI Agent貸款利率史上最低了嗎?東融教你看懂歷年啥水平“客服來電”有詐?抖音客服上線“驗(yàn)證助手”助用戶識(shí)別詐騙OpenAI新模型GPT-5研發(fā)未達(dá)預(yù)期:成本高昂 效果不佳曝天馬打入果鏈:為蘋果HomePod供應(yīng)LCD屏 每塊屏僅10美元曝OPPO或首發(fā)新款天璣次旗艦芯片 兩大子品牌Q2發(fā)力諾基亞攜手阿聯(lián)酋運(yùn)營(yíng)商e&,展示全球首個(gè)固網(wǎng)游戲端到端網(wǎng)絡(luò)切片方案零下25℃制熱26℃!海爾水暖通黑科技亮相冰雪大世界三星沒放棄曲面屏開發(fā)!最新專利曝光暗示有望回歸三大運(yùn)營(yíng)商11月成績(jī)單:用戶數(shù)據(jù)增幅放緩打造下一個(gè)英偉達(dá),孫正義的2026芯片計(jì)劃曝光瞭望2025全球6G技術(shù)發(fā)展趨勢(shì)AI時(shí)代云安全新范式,暢捷通智能守護(hù)小微企業(yè)安全上云百川智能發(fā)布全鏈路領(lǐng)域增強(qiáng)金融大模型 Baichuan4-Finance年末家電消費(fèi)觀察:品質(zhì)生活類產(chǎn)品熱賣,將持續(xù)迎來剛需式普及?GPT-5研發(fā)受阻:OpenAI 新一代模型難見突破性進(jìn)展新一代語(yǔ)言模型ModernBERT發(fā)布,RAG等任務(wù)處理速度快四倍、成本低新研究顯示:Anthropic 的 Claude AI 在合作能力上領(lǐng)先于 OpenAI 和谷歌模型
  • 首頁(yè) > 云計(jì)算頻道 > 大模型

    GPU推理提速4倍,256K上下文全球最長(zhǎng):無(wú)問芯穹刷新大模型優(yōu)化記錄

    2023年11月06日 15:35:32   來源:微信公眾號(hào) 機(jī)器之心

      本文來自于微信公眾號(hào) 機(jī)器之心(ID:almosthuman2014),作者:機(jī)器之心。

      想用大模型賺錢?這個(gè)實(shí)力強(qiáng)勁的新面孔決定先把推理成本打下來。

      大模型業(yè)務(wù)到底多燒錢?前段時(shí)間,華爾街日?qǐng)?bào)的一則報(bào)道給出了參考答案。

      報(bào)道顯示,微軟的 GitHub Copilot 業(yè)務(wù)(背后由 OpenAI 的 GPT 大模型支撐)雖然每月收費(fèi)10美元,但平均還是要為每個(gè)用戶倒貼20美元。可見當(dāng)前 AI 服務(wù)提供商們正面臨著嚴(yán)峻的經(jīng)濟(jì)賬挑戰(zhàn) —— 這些服務(wù)不僅構(gòu)建成本高昂,運(yùn)營(yíng)成本也非常高。

      有人比喻說:「使用 AI 總結(jié)電子郵件,就像是讓蘭博基尼送披薩外賣!

      對(duì)此,OpenAI 算過一筆更詳細(xì)的賬:當(dāng)上下文長(zhǎng)度為8K 時(shí),每1K 輸入 token 的成本為3美分,輸出的成本為6美分。目前,OpenAI 擁有1.8億用戶,每天收到的查詢數(shù)量超過1000萬(wàn)次。這樣算來,為了運(yùn)營(yíng) ChatGPT 這樣的模型,OpenAI 每天都需要在必要的計(jì)算硬件上投入大約700萬(wàn)美元,可以說是貴得嚇人。

      降低 LLM 的推理成本勢(shì)在必行,而提升推理速度成為一條行之有效的關(guān)鍵路徑。

      實(shí)際上,研究社區(qū)已經(jīng)提出了不少用于加速 LLM 推理任務(wù)的技術(shù),包括 DeepSpeed、FlexGen、vLLM、OpenPPL、FlashDecoding 和 TensorRT-LLM 等。這些技術(shù)自然也各有優(yōu)勢(shì)和短板。其中,F(xiàn)lashDecoding是 FlashAttention 作者、斯坦福大學(xué)團(tuán)隊(duì)的 Tri Dao 等人在上個(gè)月提出的一種 state-of-the-art 方法,它通過并行加載數(shù)據(jù),大幅提升了 LLM 的推理速度,被認(rèn)為極具潛力。但與此同時(shí),它也引入了一些不必要的計(jì)算開銷,因此依然存在很大的優(yōu)化空間。

      為了進(jìn)一步解決問題,近日,來自無(wú)問芯穹(Infinigence-AI)、清華大學(xué)和上海交通大學(xué)的聯(lián)合團(tuán)隊(duì)提出了一種新方法 FlashDecoding++,不僅能帶來比之前方法更強(qiáng)的加速能力(可以將 GPU 推理提速2-4倍),更重要的是還同時(shí)支持 NVIDIA 和 AMD 的 GPU!它的核心思想是通過異步方法實(shí)現(xiàn)注意力計(jì)算的真正并行,并針對(duì)「矮胖」矩陣乘優(yōu)化加速 Decode 階段的計(jì)算。

      將 GPU 推理提速2-4倍,

      FlashDecoding++ 是怎么做到的?

      LLM 推理任務(wù)一般為輸入一段文字(token),通過 LLM 模型計(jì)算繼續(xù)生成文字或其他形式的內(nèi)容。

      LLM 的推理計(jì)算可被分為 Prefill 和 Decode 兩個(gè)階段,其中 Prefill 階段通過理解輸入文字,生成第一個(gè) token;Decode 階段則順序輸出后續(xù) token。在兩個(gè)階段,LLM 推理的計(jì)算可被分為注意力計(jì)算和矩陣乘計(jì)算兩個(gè)主要部分。

      對(duì)于注意力計(jì)算,現(xiàn)有工作如 FlashDecoding 切分注意力計(jì)算中的 softmax 算子實(shí)現(xiàn)并行加載數(shù)據(jù)。這一方法由于需要在不同部分 softmax 同步最大值,在注意力計(jì)算中引入了20% 的計(jì)算開銷。而對(duì)于矩陣乘計(jì)算,在 Decode 階段,左乘矩陣多表現(xiàn)為「矮胖」矩陣,即其行數(shù)一般不大(如 <=8),現(xiàn)有 LLM 推理引擎通過補(bǔ)0將行數(shù)擴(kuò)充到64從而利用 Tensor Core 等架構(gòu)加速,從而導(dǎo)致大量的無(wú)效計(jì)算(乘0)。

      為解決上述問題,「FlashDecoding++」的核心思想在于,通過異步方法實(shí)現(xiàn)注意力計(jì)算的真正并行,并針對(duì)「矮胖」矩陣乘優(yōu)化加速 Decode 階段的計(jì)算。

      異步并行部分 softmax 計(jì)算

      先前工作對(duì)每個(gè)部分 softmax 計(jì)算求輸入最大值作為縮放系數(shù),避免 softmax 計(jì)算中 e 指數(shù)的溢出,這就導(dǎo)致了不同部分 softmax 計(jì)算的同步開銷(圖1(a)(b))。

      「FlashDecoding++」指出,對(duì)于大部分 LLM,其 softmax 的輸入分布較為集中。如圖2所示,Llama2-7B 的 softmax 輸入99.99% 以上集中在 [-16.8,6.5] 這個(gè)區(qū)間。因此,「FlashDecoding++」提出在部分 softmax 計(jì)算時(shí)使用一個(gè)固定的最大值(圖1(c)),從而避免了不同部分 softmax 計(jì)算間的頻繁同步。而當(dāng)小概率發(fā)生的輸入超出給定范圍時(shí),「FlashDecoding++」對(duì)這一部分的 softmax 計(jì)算退化為原先的計(jì)算方法。

      「矮胖」矩陣乘的優(yōu)化

      由于 Decode 階段的輸入為一個(gè)或幾個(gè) token 向量,因此該階段的矩陣乘表現(xiàn)為「矮胖」形狀。以矩陣 A×B=C 為例,A 與 B 矩陣的形狀為 M×K 與 K×N,「矮胖」矩陣乘即 M 較小的情況!窮lashDecoding++」指出「矮胖」矩陣乘一般緩存受限,并提出雙緩存機(jī)制等優(yōu)化手段進(jìn)行加速(圖3)。

      此外,「FlashDecoding++」進(jìn)一步指出,在 LLM 推理階段,針對(duì)特定模型,N 和 K 的取值固定。因此,「FlashDecoding++」會(huì)根據(jù) M 的大小,自適應(yīng)選取矩陣乘的最優(yōu)實(shí)現(xiàn)。

      將 GPU 推理提速2-4倍

      目前,「FlashDecoding++」可以實(shí)現(xiàn) NVIDIA 與 AMD 等多款 GPU 后端的 LLM 推理加速(圖5)。通過加速 Prefill 階段的首 token 生成速度,以及 Decode 階段每個(gè) token 的生成速度,「FlashDecoding++」可以在長(zhǎng)、短文本的生成上均取得加速效果。相較于 FlashDecoding,「FlashDecoding++」在 NVIDIA A100上的推理平均加速37%,并在 NVIDIA 和 AMD 的多 GPU 后端上相較于 Hugging Face 實(shí)現(xiàn)加速多達(dá)2-4倍。

      AI 大模型創(chuàng)業(yè)新秀:無(wú)問芯穹

      該研究的三位共同一作分別是無(wú)問芯穹首席科學(xué)家、上海交通大學(xué)副教授戴國(guó)浩博士,無(wú)問芯穹研究實(shí)習(xí)生、清華大學(xué)碩士生洪可,無(wú)問芯穹研究實(shí)習(xí)生、上海交通大學(xué)博士生許珈銘。通訊作者為上海交通大學(xué)戴國(guó)浩教授和清華大學(xué)電子工程系主任汪玉教授。

      創(chuàng)立于2023年5月的無(wú)問芯穹,目標(biāo)是打造大模型軟硬件一體化最佳解決方案,目前 FlashDecoding++ 已被集成于無(wú)問芯穹的大模型計(jì)算引擎「Infini-ACC」中。在「Infini-ACC」的支持下,無(wú)問芯穹正在開發(fā)一系列大模型軟硬件一體化的解決方案,其中包含大模型「無(wú)穹天權(quán)(Infini-Megrez)」、軟硬件一體機(jī)等。

      據(jù)了解,「Infini-Megrez」在處理長(zhǎng)文本方面表現(xiàn)非常出色,將可處理的文本長(zhǎng)度破紀(jì)錄地提升到了256k token,實(shí)測(cè)處理大約40萬(wàn)字的一整本《三體3:死神永生》也不成問題。這是當(dāng)前的大模型所能處理的最長(zhǎng)文本長(zhǎng)度。

      此外,「Infini-Megrez」大模型在 CEval (中)、MMLU (英)、CMMLU (中)、AGIEval 等數(shù)據(jù)集上均取得了第一梯隊(duì)算法性能,并依托「Infini-ACC」計(jì)算引擎持續(xù)進(jìn)化中。

      文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請(qǐng)謹(jǐn)慎對(duì)待。投資者據(jù)此操作,風(fēng)險(xiǎn)自擔(dān)。

    即時(shí)

    新聞

    明火炊具市場(chǎng):三季度健康屬性貫穿全類目

    奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。

    企業(yè)IT

    重慶創(chuàng)新公積金應(yīng)用,“區(qū)塊鏈+政務(wù)服務(wù)”顯成效

    “以前都要去窗口辦,一套流程下來都要半個(gè)月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進(jìn)了21600元。

    3C消費(fèi)

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,高能實(shí)力,創(chuàng)

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準(zhǔn)的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實(shí)質(zhì)性的幫助,雙十一期間低至2799元,性價(jià)比很高,簡(jiǎn)直是創(chuàng)作者們的首選。

    研究

    中國(guó)信通院羅松:深度解讀《工業(yè)互聯(lián)網(wǎng)標(biāo)識(shí)解析體系

    9月14日,2024全球工業(yè)互聯(lián)網(wǎng)大會(huì)——工業(yè)互聯(lián)網(wǎng)標(biāo)識(shí)解析專題論壇在沈陽(yáng)成功舉辦。