【元來(lái)如此】第一章——大模型技術(shù) · 起航&推理篇（內(nèi)含產(chǎn)品試用申請(qǐng)）！
正文共：3149字 15圖
預(yù)計(jì)閱讀時(shí)間：5分鐘
作者：思成
軟件生態(tài)中心 · 應(yīng)用平臺(tái)部
前言
LM 語(yǔ)言模型
說(shuō)到LLM就不得不提LM（language model語(yǔ)言模型）。語(yǔ)言模型是這樣一個(gè)模型：對(duì)于一句話（由詞組成的序列），它能夠計(jì)算出這句話出現(xiàn)的概率。為了讓模型給出這樣的概率P，最簡(jiǎn)單的方法就是將其用概率論中的方法進(jìn)行展開，這樣只要想辦法得到每一個(gè)P(xm|x1x2...xm-1)即可。這樣從另一個(gè)角度來(lái)看，如果我們可以找到一個(gè)模型：它能夠計(jì)算P(xm|x1x2...xm-1)，那么它就是一個(gè)語(yǔ)言模型。
圖1 什么是語(yǔ)言模型
圖2 基于統(tǒng)計(jì)的語(yǔ)言模型和基于神經(jīng)網(wǎng)絡(luò)的語(yǔ)言模型
LLM 大語(yǔ)言模型
圖3 基于海量數(shù)據(jù)和大參數(shù)量的語(yǔ)言模型
圖4 大語(yǔ)言模型近3年發(fā)展時(shí)間線，引用自[2]
大模型的應(yīng)用
圖5 大模型應(yīng)用廣泛的下游任務(wù)，引用自[3]
圖6 大語(yǔ)言模型在搜索問(wèn)答中的應(yīng)用
圖7 大語(yǔ)言模型在輔助編程上的應(yīng)用
圖8 大語(yǔ)言模型在智能客服場(chǎng)景上的應(yīng)用
當(dāng)大家都去挖金礦時(shí)，應(yīng)該去賣鏟子。如果將大模型比作金子，那么鏟子是什么呢？答案是算力+推理服務(wù)，接下來(lái)我們來(lái)看Tecorigin準(zhǔn)備了什么樣的“鏟子”。
大模型推理核心技術(shù)
“
1
“
2
“
3
“
4
Large memory footprint（大量顯存開銷），GPT/LLaMA等大模型的模型結(jié)構(gòu)與解碼方式直接導(dǎo)致了在推理過(guò)程中會(huì)產(chǎn)生大量的顯存開銷，由Parameter（參數(shù)）和Intermediate states（中間激活值）組成。
Low parallelizability（低并行度），當(dāng)前主流自然語(yǔ)言模型均是Autoregressive（自回歸），這種自回歸的模式導(dǎo)致了非常低的并行度。
圖9 大語(yǔ)言模型推理過(guò)程
基于以上的目標(biāo)和挑戰(zhàn)，為了更好的支持用戶并提高大模型推理性能，Tecorigin從下面幾方面入手。
Large 盡可能小的Memory footprint
支持多種推理框架
基于不同的業(yè)務(wù)場(chǎng)景，需要靈活選擇一個(gè)合適的推理框架。當(dāng)前比較主流的推理框架有vLLM，F(xiàn)astertransformer+Triton Server，TGI（Text generation inference）等。
其中vLLM框架支持PagedAttention[3]和Continuous batching[4]等技術(shù)。
PagedAttention技術(shù)可以讓KV Cache通過(guò)固定大小的“頁(yè)”來(lái)實(shí)現(xiàn)顯存的分配而不需要框架分配max_seq_len長(zhǎng)度的連續(xù)內(nèi)存，大大降低了不必要的顯存開銷，從而極大的提升了推理更大batch的可能，這意味著更高的Throughput。
圖10 PagedAttention算法示意，引用自[4]
Continuous batching在進(jìn)行batch>1的推理場(chǎng)景下，一旦batch中的某一個(gè)序列推理完成，那么就可以在之后插入一個(gè)新序列，從而充分利用GPU使用率。
圖11 Continuous batching算法示意，引用自[5]
多卡模型并行推理
下圖展示了基于模型并行的大模型推理切分方案，通過(guò)模型縱向切分，充分利用多卡訪存/算力，并深度優(yōu)化通信算子，高效降低多卡并行推理帶來(lái)通信開銷。
圖12 模型并行推理模型切分方案示意
同時(shí)，我們也開發(fā)了Shard buffer、KV Cache等核心技術(shù)減少顯存開銷和提高推理性能。以此作為后端，前端接入了vLLM/Triton Server等主流框架。
圖13 模型量化、模型蒸餾、模型剪枝算法示意，來(lái)自網(wǎng)絡(luò)
GPTQ（weight only）
除此之外……
Low 盡可能高的parallelizability
為了解決Low parallelizability，我們?cè)?月份提出了RecycleGPT[6]，一種可重復(fù)利用模型狀態(tài)加速解碼過(guò)程的模型，在近乎無(wú)效果損失的前提下，實(shí)現(xiàn)了1.4倍的推理加速，并引起了廣泛關(guān)注。
圖14 RecycleGPT算法示意
RecycleGPT[6]在傳統(tǒng)的自回歸語(yǔ)言模型基礎(chǔ)上增加了一個(gè)Recyclable Module（再利用模塊）。這個(gè)結(jié)構(gòu)很好的回收了當(dāng)前step輸出的隱狀態(tài)并再利用于Next Next token（下下個(gè)令牌）生成。通過(guò)這樣的方式提高了一次推理的利用率，從而端到端提升模型的推理性能。
圖15 RecycleGPT得到廣泛關(guān)注
至此，本文簡(jiǎn)要介紹了大語(yǔ)言模型的近3年發(fā)展現(xiàn)狀，以及大模型推理的核心挑戰(zhàn)及其對(duì)應(yīng)的主流優(yōu)化方案，并簡(jiǎn)要介紹了Tecorigin在大模型推理上已有的技術(shù)能力，《大模型技術(shù)·起航&推理篇》到此結(jié)束。未來(lái)，會(huì)有更多的大模型技術(shù)跟大家一起分享、交流、討論。
入局者，厚積方可薄發(fā)。太初元碁Tecorigin將持續(xù)深耕產(chǎn)業(yè)創(chuàng)新沃土，與時(shí)代發(fā)展同頻共振，共育數(shù)智卓越人才，憑借深厚技術(shù)沉淀與領(lǐng)先研發(fā)實(shí)力，驅(qū)動(dòng)算力之輪駛向未來(lái)智能世界！
免費(fèi)試用申請(qǐng)
如果您對(duì)我們的產(chǎn)品感興趣，可點(diǎn)擊底部“閱讀原文”，進(jìn)行試用申請(qǐng)；
或復(fù)制下方鏈接：https://shimo.im/forms/KrkElNNyO7uWeRqJ/fill 在瀏覽器中打開，即可搶先試用！
參考文獻(xiàn)
[1] [1706.03762] Attention Is All You Need (arxiv.org)
[2] [2303.18223] A Survey of Large Language Models (arxiv.org)
[3] [2108.07258] On the Opportunities and Risks of Foundation Models (arxiv.org)
[4] [2309.06180] Efficient Memory Management for Large Language Model Serving with PagedAttention (arxiv.org)
[5] Achieve 23x LLM Inference Throughput & Reduce p50 Latency (anyscale.com)
[6] [2308.03421] RecycleGPT: An Autoregressive Language Model with Recyclable Module (arxiv.org)
