大模型推理顯存優(yōu)化-螞蟻集團_第1頁
大模型推理顯存優(yōu)化-螞蟻集團_第2頁
大模型推理顯存優(yōu)化-螞蟻集團_第3頁
大模型推理顯存優(yōu)化-螞蟻集團_第4頁
大模型推理顯存優(yōu)化-螞蟻集團_第5頁
已閱讀5頁，還剩75頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)

文檔簡介

螞蟻集團/異構(gòu)計算與推理負責人..優(yōu)化優(yōu)化1:virtualTensor優(yōu)化KVcache和attnkernel..優(yōu)化2:LayerKV優(yōu)化TTFT..單卡算力vs.訪存帶寬發(fā)展模型參數(shù)量單卡算力vs.訪存帶寬發(fā)展-虛擬地址：對用戶可見，保證連續(xù)-廠TTT(驅(qū)動內(nèi)部對物理顯存進行整理)virtualTensor優(yōu)化KVcache顯存碎片和attentionkernel ?…GPUHWTensorCoreFlashAttnTensorCore-2023.4.12vLLMPagedAttnCUDACorePageable2023.6.20-FlashAttndTensorCorePageable2024.1.23280FlashInferTensorCorePageable2024.1.31-vLLM-FlashAttndTensorCorePageable2024.6.1365OursTensorCorevirtualTensor2200virtualTensor9LayerKV優(yōu)化顯存不足而導致TTFT耗時激增問題?如果顯存不足，等待……直到decode釋放足夠多顯存；高負載時導致TTFT急劇增長okec下QP17752172172192222240&生口口口t&生口口口t負載壓力(Req/sec)降X.04)影14)影1生成速不響度下生成速不響度下首字延遲降X低首字延遲降X低負載壓力(Req/sec)首字延遲<1sec&&生成>10tokens/sec下：QPS提升1.3X(1.5->2)---02752781K2K4K8K16K.137.4138.69X01K2K4K8K16K?全局：支持跨線程、跨進程、跨容器共享?透明：無需用戶參與、無需配置?細粒度：層或者block級共享，基于hash和字節(jié)比對核心：?虛擬-顯存指針的動態(tài)管理與映射-粒度：模型所有W完全相同vs.顯存塊級（通常比tensor粒度更?。?范圍：單進程vs.跨進程、跨容器-使用：手工配置vs.自動發(fā)現(xiàn)，透明使用QPS持平下，開源：/antgroup/glakeTH

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論