手機流暢運行470億大模型：上交大發(fā)布LLM手機推理框架PowerInfer-2，提速29倍

　　蘋果一出手，在手機等移動設備上部署大模型不可避免地成為行業(yè)關注焦點。

　　然而，目前在移動設備上運行的模型相對較小(蘋果的是 3B，谷歌的是 2B)，并且消耗大量內存，這在很大程度上限制了其應用場景。

　　即使是蘋果，目前也需要與 OpenAI 合作，通過將云端 GPT-4o 大模型嵌入到操作系統(tǒng)中來提供能力更強的服務。

　　這樣一來，蘋果的混合方案引起了非常多關于數(shù)據(jù)隱私的討論和爭議，甚至馬斯克都下場討論。

　　如果蘋果在操作系統(tǒng)層面集成 OpenAI，那么蘋果設備將被禁止在我的公司使用。這是不可接受的安全違規(guī)行為。

　　既然終端側本地部署大模型的方案既讓手機用戶享受到 AI 強大的智能，又能保護好自己的隱私安全，為什么蘋果還要冒著侵犯隱私的風險選擇聯(lián)手 OpenAI 采用云端大模型呢?主要挑戰(zhàn)有兩點：

　　手機內存不夠大：按照大模型的 Scaling Law 法則，模型參數(shù)越大，能力對應的也就越強，這就意味著能力更強的模型對內存的要求越高。

　　手機算力不夠強：即使勉強把通過量化等手段把模型塞進手機了，推理速度也慢，適合的應用場景也就非常有限了。

　　為了解決上述挑戰(zhàn)，上海交大 IPADS 實驗室推出了面向手機的大模型推理引擎(目前論文已在 arxiv 公開)：PowerInfer-2.0。

　　PowerInfer-2.0 能夠在內存有限的智能手機上實現(xiàn)快速推理，讓 Mixtral 47B 模型在手機上達到11 tokens/s的速度。

　　與熱門開源推理框架 llama.cpp 相比，PowerInfer-2.0 的推理加速比平均達到 25 倍，最高達 29 倍。

　　為了充分釋放出 PowerInfer-2.0 框架的最大潛力，上海交大團隊還提出了配套的大模型優(yōu)化技術Turbo Sparse，相關論文近期也上傳了 arxiv，并且已經(jīng)在業(yè)內引起關注。

　　另外值得一提的是，去年底上海交大團隊提出了針對 PC 場景的快速推理框架 PowerInfer-1.0，在 4090 等消費級顯卡的硬件上，實現(xiàn)了比 llama.cpp 高達 11 倍的推理加速，曾連續(xù)三天登頂 GitHub 趨勢榜，5 天獲得了 5k 的 GitHub star，目前已達到 7.1k star。

　　相比 PC，手機的內存和算力受到的約束更多，那么這次的 PowerInfer-2.0 是如何針對手機場景加速大模型推理呢?

　　動態(tài)神經(jīng)元緩存

　　首先，針對手機運行內存(DRAM)不足的問題，PowerInfer-2.0 利用了稀疏模型推理時的一個特點：每次只需要激活一小部分神經(jīng)元，即 " 稀疏激活 "。沒有被激活的神經(jīng)元即使不參與 AI 模型的推理計算，也不會對模型的輸出質量造成影響。

　　稀疏激活為降低模型推理的內存使用創(chuàng)造了新的機會。為了充分利用稀疏激活的特性，PowerInfer-2.0 把整個神經(jīng)網(wǎng)絡中的神經(jīng)元分成了冷、熱兩種，并在內存中基于 LRU 策略維護了一個神經(jīng)元緩存池。

　　近期頻繁激活的 " 熱神經(jīng)元 " 被放置在運行內存中，而 " 冷神經(jīng)元 " 只有在被預測激活的時候，才會被拉進內存，大幅降低了內存使用量。

　　其實冷熱神經(jīng)元分類，是繼承自 PowerInfer-1.0 已有的做法。

　　而在去年 12 月，蘋果在面向端側的大語言模型推理方案 "LLM in a Flash" 中提出了和神經(jīng)元緩存類似的 " 滑動窗口 " 技術。但這些工作主要針對的都是 PC 環(huán)境，直接遷移到手機環(huán)境，還會遇到新的難題。

　　首先手機平臺的硬件條件遠不及 PC，無論是算力、內存總量還是存儲帶寬，都與 PC 存在較大差距。

　　其次，手機硬件平臺存在CPU、GPU、NPU 三種異構的計算單元，十分復雜。各大硬件平臺宣發(fā)時都會強調一個總算力，實際上是把 CPU、GPU、NPU 提供的算力加起來。然而真正跑起大模型來，能不能高效利用各種異構算力還是個問題。

　　以神經(jīng)元簇為粒度的異構計算

　　針對這一點，PowerInfer-2.0 進一步把粗粒度的大矩陣計算分解成細粒度的 " 神經(jīng)元簇 "。

　　每個神經(jīng)元簇可以包含若干個參與計算的神經(jīng)元。對于不同的處理器，會根據(jù)處理器的特性來動態(tài)決定劃分出來的神經(jīng)元簇的大小。

　　例如，NPU 擅長于做大矩陣的計算，那么可以把所有神經(jīng)元合并成一個大的神經(jīng)元簇，一起交給 NPU 計算，這樣就可以充分利用 NPU 的計算能力。而在使用 CPU 時，可以拆出多個細粒度的神經(jīng)元簇，分發(fā)給多個 CPU 核心一起計算。

　　具體而言，PowerInfer-2.0 為模型推理的預填充階段(Prefill)和解碼階段(Decoding)分別設計了兩套神經(jīng)元簇的劃分方案：

　　預填充階段會一次性輸入很多 token，基本上絕大部分神經(jīng)元都會被激活，因此選擇使用大神經(jīng)元簇交給 NPU 計算。CPU 此時也沒有閑著，在后臺為 NPU 執(zhí)行反量化模型權重的操作。

　　解碼階段每次只有一個 token，具有較高的稀疏性，因此更加適合劃分成若干細粒度的神經(jīng)元簇，交給 CPU 靈活調度和執(zhí)行計算。

　　神經(jīng)元簇這一概念除了能夠更好的適應手機的異構計算環(huán)境，還能天然地支持計算與存儲 I/O 的流水線并行執(zhí)行。

　　PowerInfer-2.0 提出了分段神經(jīng)元緩存和神經(jīng)元簇級的流水線技術，在一個神經(jīng)元簇等待 I/O 的同時，可以及時地把另一個已經(jīng)準備好的神經(jīng)元簇調度到處理器上進行計算，從而充分隱藏了 I/O 的延遲。

　　同時，這種基于神經(jīng)元簇的流水線打破了傳統(tǒng)推理引擎中逐矩陣計算的方式，可以允許來自不同參數(shù)矩陣的神經(jīng)元簇交錯執(zhí)行，達到最高的并行效率。

　　I/O 加載神經(jīng)元的速度對于模型推理也至關重要。

　　分段緩存會針對不同的權重類型采取不同策略(如注意力權重、預測器權重、前饋網(wǎng)絡權重)采取不同的緩存策略，提高緩存命中率，減少不必要的磁盤 I/O。

　　緩存還會使用 LRU 替換算法動態(tài)更新每個神經(jīng)元的實際冷熱情況，確保緩存中放著的都是最熱的神經(jīng)元。此外 PowerInfer-2.0 還針對手機 UFS 4.0 存儲的性能特點，設計了專門的模型存儲格式，提高讀取性能。

　　最后再來看一下實測成績，使用一加 12 和一加 Ace 2 兩款測試手機，在內存受限的情況下，PowerInfer-2.0 的預填充速度都顯著高于 llama.cpp 與 LLM in a Flash(簡稱 "LLMFlash" ) ：

　　解碼階段同樣是 PowerInfer-2.0 占據(jù)很大優(yōu)勢。特別是對于 Mixtral 47B 這樣的大模型，也能在手機上跑出 11.68 tokens/s 的速度：

　　而對于 Mistral 7B 這種可以放進手機運行內存的模型，PowerInfer-2.0 可以節(jié)約 40% 內存的情況下，達到與 llama.cpp 和 MLC-LLM 同水平甚至更快的解碼速度：

　　PowerInfer-2.0 是一個模型 - 系統(tǒng)協(xié)同設計的方案，也就是需要模型中可預測稀疏性的配合。

　　如何以低成本的形式調整模型以適配 PowerInfer-2.0 框架，也是一個重大挑戰(zhàn)。

　　低成本高質量地大幅提升模型稀疏性

　　傳統(tǒng)簡單的 ReLU 稀疏化會給模型原本的能力造成不小的影響。

　　為了克服這個問題，上海交大 IPADS 聯(lián)合清華和上海人工智能實驗室提出一個低成本地稀疏化方法，不僅大幅提升模型的稀疏性，還能保持住模型原本的能力!

　　首先，論文深入分析了模型稀疏化中的問題：

　　在類 LLaMA 模型中中簡單引入 ReLU，雖然能引入一定程度的稀疏性，但稀疏度仍然有限。

　　稀疏化過程由于訓練語料的不足和訓練 token 的不足導致模型精度下降的問題。

　　為了提升模型的稀疏度，論文在 ReLU 基礎上提出dReLU 激活函數(shù)，采用替換原有激活函數(shù)后繼續(xù)預訓練的方式增加模型稀疏性。

　　將 SwiGLU 替換為 dReLU 一方面直觀地提高了輸出值中的零元素比例，另一方面能更有效地在稀疏化的過程中復用原本模型訓練完成的 gate 和 up 矩陣權重。

　　為了克服模型能力下降的問題，團隊收集了包括網(wǎng)頁、代碼和數(shù)學數(shù)據(jù)集在內的多樣化繼續(xù)訓練語料庫。高質量、多樣化的訓練數(shù)據(jù)有助于模型在稀疏化后更好地保持和提升性能。

　　最后，團隊訓練了 2 個 TurboSparse 大模型進行驗證，分別是 8x7B 和 7B 的大模型。得益于高質量的繼續(xù)訓練語料，TurboSparse 系列模型模型的精度甚至還能反超原版模型(具體見表 6)。

　　而在稀疏度方面效果也非常顯著。相比于原本的 Mixtral 模型需要激活 13B 參數(shù)量，TurboSparse-Mixtral 只需要激活 4.3B 的參數(shù)量，激活的參數(shù)量是原本模型的三分之一。

　　而關于稀疏化過程的成本問題，TurboSparse 論文中介紹，改造過程中模型需要繼續(xù)訓練 150B tokens，相比于預訓練(假設 3T tokens)還不到 5%，說明其成本是很低的。

　　讓技術加速走出實驗室

　　從推理框架和改造模型兩個角度出發(fā)，上海交大團隊的成果實現(xiàn)了大語言模型在手機等資源受限場景下的快速推理。

　　而且這套方案的潛力不止于手機，未來在車載設備、智能家居等方向還有更多應用前景。

　　最后再正式介紹一下團隊。上海交通大學并行與分布式系統(tǒng)研究所(簡稱 IPADS)，由陳海波教授領導，現(xiàn)有 13 名教師，100 多名學生。

　　IPADS 長期從事計算機系統(tǒng)的研究，近 10 年在權威榜單 CSRankings 的 Operating Systems 領域排名全球前二，僅次于 MIT;上海交大也是排名前十中唯一上榜的亞洲高校。

　　目前，上海交大 IPADS 已經(jīng)在 Huggingface 上開放了稀疏化的模型權重。在未來，如果 PowerInfer-2.0 能夠與手機廠商進一步緊密合作，相信可以加速相關技術走出實驗室，落地到各種真實場景。