不用4个H100!340亿参数Code Llama在Mac可跑,每秒20个token,代...
新智元
共 2008字,需浏览 5分钟
·
2023-09-01 14:11
新智元报道
编辑:桃子【新智元导读】现在,34B Code Llama模型已经能够在M2 Ultra上的Mac运行了,而且推理速度超过每秒20个token,背后杀器竟是「投机采样」。
开源社区的一位开发者Georgi Gerganov发现,自己可以在M2 Ultra上运行全F16精度的34B Code Llama模型,而且推理速度超过了20 token/s。 毕竟,M2 Ultra的带宽有800GB/s。其他人通常需要4个高端GPU才能做到! 而这背后真正的答案是:投机采样(Speculative Sampling)。 Georgi的这一发现,瞬间引爆AI圈大佬的讨论。 Karpathy转发评论道,「LLM的投机执行是一种出色的推理时间优化」。
「投机采样」加速推理
在这个例子中,Georgi借助Q4 7B quantum草稿模型(也就是Code Llama 7B)进行了投机解码,然后在M2 Ultra上使用Code Llama34B进行生成。 简单讲,就是用一个「小模型」做草稿,然后用「大模型」来检查修正,以此加速整个过程。
GitHub地址:https://twitter.com/ggerganov/status/1697262700165013689 根据Georgi介绍,这些模型的速度分别为: - F16 34B:~10 token/s - Q4 7B:~80 token/s 如下是没有使用投机采样,标准F16采样示例:
论文地址:https://arxiv.org/pdf/2211.17192.pdf
论文地址:https://arxiv.org/pdf/1811.03115.pdf
论文地址:https://arxiv.org/pdf/2302.01318.pdf 这取决于以下不直观的观察结果:
在单个输入token上转发LLM所需的时间,与在K个输入token上批量转发LLM所需的时间相同(K比你想象的要大)。这个不直观的事实是因为采样受到内存的严重限制,大部分「工作」不计算,而是将Transformer的权重从VRAM读取到芯片上缓存中进行处理。 因此,如果要完成读取所有权重的工作,还不如将它们应用到整批输入向量中。、 我们之所以不能天真地利用这一事实,来一次采样K个token,是因为每N个token都取决于,我们在第N-1步时采样的token。这是一种串行依赖关系,因此基线实现只是从左到右逐个进行。 现在,巧妙的想法是使用一个小而廉价的草稿模型,首先生成一个由K个token组成的候选序列——「草稿」。然后,我们将所有这些信息一起批量送入大模型。 根据上述方法,这与只输入一个token的速度几乎一样快。 然后,我们从左到右检查模型,以及样本token预测的logits。任何与草稿一致的样本都允许我们立即跳转到下一个token。 如果有分歧,我们就会扔掉草稿模型,承担做一些一次性工作的成本(对草稿模型进行采样,并对后面的token进行前向传递)。 这在实践中行之有效的原因是,大多数情况下,draft token都会被接受,因为是简单的token,所以即使是更小的草稿模型也能接受它们。 当这些简单的token被接受时,我们就会跳过这些部分。大模型不同意的困难token会「回落」到原始速度,但实际上因为有额外的工作会慢一些。 所以,总而言之:这一怪招之所以管用,是因为LLM在推理时是受内存限制。在「批大小为1」的情况下,对感兴趣的单个序列进行采样,而大部分「本地 LLM」用例都属于这种情况。而且,大多数token都很「简单」。 HuggingFace的联合创始人表示,340亿参数的模型在一年半以前的数据中心之外,看起来非常庞大和难以管理。现在是笔记本就可以搞定了。 现在的LLM并不是单点突破,而是需要多个重要组件有效协同工作的系统。投机解码就是一个很好的例子,可以帮助我们从系统的角度进行思考。 参考资料: https://twitter.com/ggerganov/status/1697262700165013689
评论