Web LLM将语言模型聊天直接带到 Web 浏览器上
Web LLM 是一个可将大型语言模型和基于 LLM 的聊天机器人引入 Web 浏览器的项目。一切都在浏览器内运行,无需服务器支持,并使用 WebGPU 加速。这开辟了许多有趣的机会,可以为每个人构建 AI 助手,并在享受 GPU 加速的同时实现隐私。
Web LLM 中采用的关键技术是机器学习编译(MLC)。该解决方案建立在开源生态系统的基础上,包括 Hugging Face、来自 LLaMA 和 Vicuna 的模型变体、wasm 和 WebGPU;主要流程则建立在 Apache TVM Unity 之上。
- 在具有原生动态形状支持的 TVM 中烘焙语言模型的 IRModule,避免了填充到最大长度的需要,并减少了计算量和内存使用量。
- TVM 的 IRModule 中的每个功能都可以进一步转换并生成可运行的代码,这些代码可以普遍部署在最小 tvm 运行时(JavaScript 是其中之一)支持的任何环境中。
- TensorIR是用于生成优化程序的关键技术。开发团队通过结合专家知识和自动调度程序快速转换 TensorIR 程序来提供高效的解决方案。
- 启发式算法用于优化轻量级运算符以减轻工程压力。
- 利用 int4 量化技术来压缩模型权重,以便它们可以适合内存。
- 构建静态内存规划优化以跨多个层重用内存。
- 使用Emscripten和 TypeScript 构建一个可以部署生成的模块的 TVM web 运行时。
- 还利用了 SentencePiece 分词器的 wasm 端口。
具体来说,团队大量使用了 TVM unity,它实现了这种 Python 优先的交互式 MLC 开发体验,使得能够轻松地编写新的优化。
TVM unity 还提供了一种在生态系统中组合新解决方案的简便方法。Web LLM 开发团队将继续带来进一步的优化,例如融合量化内核,并将它们带到更多平台上。
LLM 模型的一个关键特征是模型的动态特性。由于解码和编码过程依赖于随着令牌大小而增长的计算,Web LLM 团队利用 TVM 统一中一流的动态形状支持,通过符号整数表示序列维度。使得其能够提前计划静态分配感兴趣的序列窗口所需的所有内存,而无需填充。
还利用张量表达式的集成来快速表达部分张量计算,例如直接旋转嵌入,而无需将它们具体化为全张量矩阵计算。
除了 WebGPU 运行时,Web LLM 还提供使用本地 GPU 运行时进行本机部署的选项。因此它们既可以用作在本机环境上部署的工具,也可以用作比较本机 GPU 驱动程序性能和 WebGPU 的参考点。
评论