作者 |?Timothée Lacroix

選擇正確的 LLM 推理棧意味著選擇適合你的任務(wù)的正確模型，并配以適當(dāng)?shù)耐评泶a在適當(dāng)?shù)?a href="http://m.1cnz.cn/v/tag/1751/" target="_blank">硬件上運行。本文介紹了流行的 LLM 推理堆棧和設(shè)置，詳細(xì)說明其推理的成本構(gòu)成；并討論當(dāng)前的開源模型以及如何充分利用它們，同時還涉及當(dāng)前開源服務(wù)棧中仍然缺失的功能，以及未來模型將解鎖的新功能。

本文源自 Mistral AI 首席技術(shù)官 Timothée Lacroix 的演講。他于 2015 年在 Facebook AI Research 擔(dān)任工程師，于 2016 年至 2019 年間與école des Ponts 合作完成了關(guān)于推薦系統(tǒng)的張量分解的論文。2023 年他成為 Mistral AI 的聯(lián)合創(chuàng)始人。Mistral AI 于近期發(fā)布了業(yè)內(nèi)首個開源 MoE 大模型 Mixtral-8x7B。

本次演講的很多內(nèi)容都基于我在網(wǎng)上找到的信息或通過對第一個 LLaMA 版本模型進(jìn)行實驗時的發(fā)現(xiàn)。我認(rèn)為，現(xiàn)在的 Mistral 更關(guān)注推理成本，而非訓(xùn)練成本。因此，我將分享推理成本的構(gòu)成、吞吐、時延及其影響因素。

很多人想要部署語言大模型，我將分享如何使用開源工具部署自己的語言大模型。當(dāng)然，你也可以使用一些出色的公共 API，但我對開源工具更感興趣，所以接下來我將深入討論部署一個 70 億參數(shù)模型的重要細(xì)節(jié)。我將分享的許多內(nèi)容也同樣適用于更大規(guī)模的模型，但那需要更多 GPU。

影響推理的指標(biāo)

我們將首先討論有哪些重要指標(biāo)，以及這些指標(biāo)的影響因素，包括硬件和軟件層面。接下來，我將介紹一些能夠改善性能的技巧，據(jù)我所知，其中一些技巧還未獲得廣泛實現(xiàn)。我嘗試在各種不同的硬件上運行了一系列模型，并嘗試獲得性能曲線，我認(rèn)為實例非常重要，所以我將通過這些數(shù)據(jù)得出結(jié)論。

首先，我們該關(guān)注哪些指標(biāo)？第一是吞吐量，以每秒查詢數(shù)（Query/second）表示，我們希望在批處理作業(yè)中將這一指標(biāo)最大化，或者希望允許更多用戶使用我們的服務(wù)。第二是時延，以每詞元每秒（seconds/token）表示，即輸出下一個詞元所需的時間，這決定了你的應(yīng)用程序的速度和靈敏度。在 ChatGPT 中，這一速度相當(dāng)快。對于較小的模型，可以更輕松地實現(xiàn)快速響應(yīng)，因此我們希望將這個值最小化以提升用戶體驗。較為優(yōu)秀的閾值是每分鐘輸出 250 個單詞，我認(rèn)為這是人類的平均閱讀速度，只要你的時延低于這個值，用戶就不會感到無聊。第三是成本，毫無疑問，這一數(shù)值越低越好。

影響推理指標(biāo)的因素

現(xiàn)在我將深入探討這些指標(biāo)的影響因素。我只會談?wù)撟曰貧w解碼，即基于一批批詞元通過神經(jīng)網(wǎng)絡(luò)確定下一批詞元，這部分不包括處理查詢的第一部分。提示處理有時被稱為預(yù)填充（prefill）部分，我們會一次性將大量詞元輸入到神經(jīng)網(wǎng)絡(luò)中，這部分處理通常已經(jīng)經(jīng)過充分優(yōu)化，挑戰(zhàn)性相對較低。

考慮到這一點，我們對大小為 P 的模型的推理感興趣。可以假設(shè) P 是 7B，為執(zhí)行一步推理，大約需要 2xPxBatch_size 的 FLOPs（浮點運算數(shù)）。在進(jìn)行這些浮點運算時，我們需要將整個模型加載到實際運行計算的 GPU，并且需要一次性加載整個模型，即大致上需要的內(nèi)存搬運（memory movement）量等于模型的參數(shù)數(shù)量。

這兩個數(shù)量有趣的地方在于，第一個數(shù)量受硬件浮點運算能力的限制，即 GPU 可以實現(xiàn)的浮點運算次數(shù)，并且與批大小呈線性關(guān)系，在上述圖表上呈增長趨勢。除非批大小特別大，內(nèi)存移動量并不隨批大小而變化。但正如我所說，這種情況已經(jīng)得到了相當(dāng)程度的優(yōu)化，所以我們并不太關(guān)心內(nèi)存移動量。我們還有一個常量，即模型大小除以內(nèi)存帶寬，這是一次性加載整個模型所需的最短時間，每次都需要重新執(zhí)行這個操作。

還有一個與批次大小有關(guān)的數(shù)量，它們在一個有趣的點上相交。這個點不取決于硬件之外的任何因素。舉例來說，在 A10G 和 A100 上，硬件可以實現(xiàn)的總浮點運算次數(shù)的兩倍除以內(nèi)存帶寬為 400。

B*這個批大小非常有趣，因為低于這一批大小，基本上是在浪費 FLOPs，因為計算受到了內(nèi)存限制，我們在等待 GPU 加載數(shù)據(jù)，而計算速度太快，圖中某部分的時延是恒定的。如果超過這個 B*這個閾值，時延就會開始增加，就變成了計算受限。

因此，B* 的真正優(yōu)勢在于，這個批大小的時延范圍是最優(yōu)的，因此用戶體驗是最佳的，同時也沒有浪費任何 FLOPs。

不管怎樣，我們理想的批大小 B* 是 400，這個值似乎相當(dāng)大，所以我們來計算一下 LLaMA 等模型規(guī)模的幾項指標(biāo)。LLaMA 模型有 4K 個維度，深度 32 層，模型大小很容易計算，在 FP16 中每個模型權(quán)重占兩個字節(jié)，所以只需 2x7=14GB 內(nèi)存。

然后，我們用 KV 緩存存儲計算結(jié)果，這樣當(dāng)我們重新編碼一個新詞元時，就不必重新從頭計算。KV 緩存的大小為 2，包括 K 緩存和 V 緩存，且使用 FP16 格式，每個都乘以 2，然后每層有一個 KV 緩存，并且必須為批次中的每個元素保存數(shù)據(jù)，每個位置在序列中表示一個詞元，然后乘以維度。

把實際數(shù)值代入這個公式發(fā)現(xiàn)，每個批次元素需要約 2G 內(nèi)存才能支持最大長度 4K，因此，在 A10（24GB 內(nèi)存）上，我們的最大批大小約為 5，在更大的 A100（80GB 內(nèi)存）上，最大批大小只有 33 左右，這仍遠(yuǎn)低于理想值 400。

因此，對于所有實際用例，使用 70 億參數(shù)的模型進(jìn)行推理時，解碼過程將嚴(yán)重受限于內(nèi)存帶寬。這也證明了 Mistral 從一開始就非常謹(jǐn)慎的一點：模型和 KV 緩存所占內(nèi)存的大小確實影響了可允許的最大批大小，而最大批大小直接決定了效率的高低。

實用技巧

現(xiàn)在我將深入討論一些已經(jīng)存在但我個人很喜歡的技巧。其中一部分已經(jīng)為 Mistral 所用，其他一些尚未在 Mistral 中得到應(yīng)用，還有些則更多地涉及軟件部署層面。

分組查詢注意力

第一個技巧是分組查詢注意力。分組查詢注意力是通過每個查詢使用更少的鍵和值來減少 KV 緩存的方法。這在 LLaMA 2 中使用過，但只用于較大的模型尺寸，而非 70 億參數(shù)模型。在標(biāo)準(zhǔn)的多頭注意力中，有多少查詢，就有多少鍵和值。而在分組查詢注意力中，一對鍵值與一組查詢相關(guān)聯(lián)。在 Mistral，我們的每個鍵和值使用四個查詢，因此要執(zhí)行的浮點運算量將保持不變，但內(nèi)存開銷只有原來的四分之一。這是一個簡單的技巧，不會對性能造成實質(zhì)性損害，這一做法很不錯。

量化

第二個技巧是量化，對此我們并沒有進(jìn)行專門研究，但尤其在 LLaMA 發(fā)布后，這項技術(shù)發(fā)展得非常迅速。很多優(yōu)秀的現(xiàn)成解決方案為許多開源社區(qū)的人所使用，提供了模型的 int8 或 int4 版本。使用 int8 時，模型尺寸會減半，在使用 int4 時，會減少至四分之一。

這不會改變最優(yōu)批大小，因為這一比率只取決于硬件，與其他因素?zé)o關(guān)。就計算速度而言，量化后的速度為原來的兩倍，但我們發(fā)現(xiàn)，對于 Mistral 模型規(guī)模以及其他模型，很難達(dá)到這個速度，如果以純浮點運算量衡量，1.5 倍的速度更為合理。使用 int8 還會機械地增加 KV 緩存的可用內(nèi)存。

因此，如果你處于內(nèi)存受限的狀態(tài)，一切操作都會快兩倍，這很不錯。另一個好處是，int8 幾乎沒有或者只有極小的精度損失，而在 int4 下會有一些性能損失，但似乎可以通過 QLoRA 來恢復(fù)，或者如果你只關(guān)心特定用例，那么我認(rèn)為這也可以正常運作，且 serving 成本會低得多。

分頁注意力（Paged Attention）

第三個技巧是分頁注意力，由來自伯克利的 vLLM 專家提出。沒有分頁注意力的 KV 緩存是矩形的，需要分配一個大矩形內(nèi)存，其中一個維度是批大小，即模型一次可以處理的最大序列數(shù)，另一個維度是，允許用戶使用的最大序列長度。當(dāng)一個新序列進(jìn)來時，會為這個用戶分配一整行內(nèi)存，但這并不理想，因為用戶中很可能只有 10% 會使用整行內(nèi)存，而大多數(shù)用戶可能只會發(fā)起短請求。因此，這最終會浪費硬件內(nèi)存中的大量寶貴空間。

分頁注意力的作用是在 GPU 內(nèi)存中分配塊（block）。首先，加載模型以了解剩余空間大小，然后用內(nèi)存塊填充剩余部分。這些塊可以容納多達(dá) 16 到 32 個詞元，當(dāng)新序列到來時，就可以為 prompt 分配所需的內(nèi)存塊，然后根據(jù)需要逐漸擴(kuò)展。

在上述示意圖中，可以看到序列并不一定分配在連續(xù)的內(nèi)存塊上，例如橙色、藍(lán)色或綠色并不在連續(xù)的塊上，這并不重要。這種方式能夠更精細(xì)地控制內(nèi)存分配，因此在示意圖中，右側(cè)完全空閑的部分可以用于新來的序列，一旦序列解碼完成，就可以釋放已使用的塊，非常高效。分頁注意力的提出者稱，與標(biāo)準(zhǔn)的實現(xiàn)方法相比，分頁注意力可以增加約 20 倍的吞吐量，這聽起來并不是那么遙不可及。

滑動窗口注意力 （Sliding Window Attention）

我們在 Mistral 中添加了一個技巧，即滑動窗口注意力。通過這個技巧，我們可以訓(xùn)練模型在緩存中僅使用過去的 K 個詞元。這樣做的好處在于，我們可以使用一個固定的緩存大小。

眾所周知，一個序列一旦超過滑動窗口的詞元數(shù)量，我們就可以在緩存中循環(huán)覆寫，從而重新開始，而這不會影響模型性能。

進(jìn)一步來說，通過這個技巧，我們可以使用比滑動窗口更大的長下文長度。我們在博客文章或 GitHub 上對此進(jìn)行了簡要描述。

對于這個技巧的良好實現(xiàn)是將 KV 緩存看作是一個循環(huán)緩沖區(qū)。在上圖中的 t 時刻，我們在緩存的最后位置插入；在 t+1 時刻，由于序列超出了滑動窗口，所以只進(jìn)行了覆寫操作。這種實現(xiàn)非常簡單，因為緩存中的位置并不重要，所有與位置相關(guān)的信息都通過位置嵌入進(jìn)行編碼。總之，這種方法兼具易可實現(xiàn)性和有效性。

連續(xù)批處理（Continuous Batching）

還有一個技巧是連續(xù)批處理。正如我在前面提到的，預(yù)填充階段同時處理的詞元數(shù)量要比解碼階段多得多。因此，我們可以嘗試將這些詞元與解碼詞元一起進(jìn)行批處理。我在 vLLM 和 TGI 中都注意到了同一個問題，即它們沒有嘗試對預(yù)填充階段進(jìn)行分塊處理。如果一個用戶向模型發(fā)送一個包含 4K 詞元的提示，這將增加所有用戶的時延，因為我們需要花費大量時間一次性處理這些詞元。

這其實是一種浪費，因為這時模型就不再處于既能實現(xiàn)低時延，又能充分利用計算資源的最佳狀態(tài)。因此，我建議在這些軟件中對預(yù)填充進(jìn)行分塊處理，這樣我們一次只處理 K 個詞元。這種方法能夠更加精細(xì)地分配資源，并且能夠更好地對解碼和預(yù)填充進(jìn)行批處理。

代碼

最后一種技巧是代碼。在處理這些規(guī)模的模型時，代碼性能非常重要。通常，我們可以觀察到 Python 代碼的開銷很大。雖然我沒有詳細(xì)分析過 vLLM 和 TGI 的性能，但它們運行的是 Python 代碼，根據(jù)經(jīng)驗，在這些規(guī)模下通常會存在一定的額外開銷。我們可以采取一些方法，在不影響 Python 大部分優(yōu)點的前提下緩解這一問題。

xFormers 庫就是一個很好的示例，它使用 CUDA 圖實現(xiàn)了零開銷。NVIDIA 的 TensorRT 可以通過追蹤推理并利用模式匹配來自動提高性能。此外，我們還可以使用自定義內(nèi)核（如融合）來減少內(nèi)存帶寬，這樣可以避免在內(nèi)存中來回移動數(shù)據(jù)。在數(shù)據(jù)已加載的情況下，我們可以執(zhí)行激活等操作，通常可以找到激活函數(shù)等優(yōu)化技巧，然后輕松地將它們插入到代碼中。

總之，驅(qū)動這些性能指標(biāo)的因素主要是硬件中的固定浮點運算與內(nèi)存帶寬之間的比率。這給出了最小批大小 B*，以充分利用硬件資源，避免浪費不必要的浮點運算。這個大小主要由硬件決定，不太受模型影響，除非你使用了 Transformer 之外的非傳統(tǒng)架構(gòu)。由于設(shè)備的內(nèi)存有限，因此要達(dá)到最佳批大小并不容易。

我檢查了兩個用于部署模型的開源庫，它們?nèi)栽谶\行 Python 代碼，在這一規(guī)模下，模型會產(chǎn)生很多額外開銷。我還研究了 Faster Transformer 項目，它沒有額外開銷，但部署起來會比較困難。上述信息主要來自博文《語言大模型的推理演算》。

不同配置下的吞吐、時延與成本

現(xiàn)在讓我們談?wù)勍掏铝?- 時延平面圖，這通常是我評判這些指標(biāo)的方式。在這個平面中，x 軸表示時延，y 軸表示吞吐量，我們主要關(guān)注上方和左方，即更好的吞吐量和更低的時延。

如果購買更好的硬件，會改變這一吞吐量 - 時延性能曲線。對于固定硬件，左下角區(qū)域是固定時延，即內(nèi)存受限區(qū)域。隨著批大小增加，系統(tǒng)從內(nèi)存受限區(qū)域轉(zhuǎn)變?yōu)橛嬎闶芟迏^(qū)域。如果購買更先進(jìn)的硬件，成本會更高，但吞吐量 - 時延上的所有曲線會整體向左上方移動。

改進(jìn)代碼或采用更好的模型會在低時延區(qū)域產(chǎn)生顯著影響，增加吞吐量，這對大型批大小的影響較小，因為這時候優(yōu)化已經(jīng)相對容易。

下面是一些性能測試結(jié)果及免責(zé)聲明，這個測試是我在短時間內(nèi)完成的，因為使用 Mistral 和 LLaMA 等配置工具比較容易，我運行了 vLLM 基準(zhǔn)測試腳本。我不確定這些結(jié)果是否是我能取得的最佳結(jié)果，但至少整體方向是正確的，下面是我復(fù)制粘貼過來的 Matplotlib 圖，以供參考。

上圖是 Mistral 和 LLaMA 的性能比較。圖中黑線表示人類的閱讀速度。

上圖是在同一模型中，A10 和 H100 這兩種硬件之間的比較。可以看到，盡管 H100 價格更高，但由于其卓越的性能，更換硬件是一種更明智的選擇，而不是繼續(xù)使用老硬件。

總的來說，使用開源代碼在小型實例上部署小型模型非常容易，無需任何額外操作就能取得良好的運行效果。僅需約 15 美元 / 天（并不算太高的費用），我們就可以在 A10 上使用 Mistral-7B 模型處理上百萬個請求。改變模型精度可能使服務(wù)的請求數(shù)量翻倍。

開源部署解決方案在易用性方面表現(xiàn)出色，我認(rèn)為在實際的模型代碼部分還有很多工作要做。此外我認(rèn)為，未來模型的速度會越來越快。

答聽眾問 問題 1：如何選擇用于特定模型的最佳處理器？

Timothe?e Lacroix : 我還沒有測試過專用的 AI 硬件，主要測試過一系列 GPU。我甚至還沒有在 MacBook 上運行過模型，因為目前沒有找到合適的用途，但后續(xù)我可能會嘗試。對于用戶而言，如果只是想與模型聊天，直接在 MacBook 上運行更經(jīng)濟(jì)。當(dāng)每天需要處理的請求達(dá)到一百萬次時，使用 A10 會非常劃算，相當(dāng)于每天 15 美元的費用，如果用戶能夠負(fù)擔(dān)這一費用，那么我建議選擇 A10 處理器，它易于部署，而且效果很好。

關(guān)于選擇何種規(guī)模的硬件，由于硬件在任何地方都很容易部署，我們可以從最便宜的硬件開始，如果沒有達(dá)到所需的吞吐量或速度，再考慮升級。

我曾提到，在考慮成本的情況下，相比使用一堆 A10 處理器，H100 是更明智的選擇。然而，我們也經(jīng)常面臨可用性問題。因此，我建議按照處理器的成本和可用性順序逐個嘗試。如果你嘗試使用這些處理器大約 20 分鐘，這樣做的成本相對較低，并且這大致是運行基準(zhǔn)測試所需的最長時間。通過這種方式，你可以在短時間內(nèi)獲得特定用例的準(zhǔn)確成本和性能數(shù)據(jù)，從而更好地選擇適合自己需求的處理器。

問題 2: 是否推薦使用 Mojo 來減少 Python 開銷？你是否嘗試過使用 Mojo？

Timothe?e Lacroix：完全沒有。我首次嘗試減少開銷是通過使用 CUDA 圖，雖然在調(diào)試過程中有一些困難，但隨著時間推移，情況已經(jīng)好轉(zhuǎn)了，XFormers 就是一個很好的例子。在未來，torch.compile 也許能有效降低 Python 開銷，但我不清楚它們在處理可變序列長度等方面的進(jìn)展如何。總之，我非常推薦 CUDA 圖，這是我目前降低開銷的首選方法。

問題 3：如果我們想要 LLM 具備多語理解能力，但目前數(shù)據(jù)集主要是英文，相比起來，使用非英文數(shù)據(jù)進(jìn)行微調(diào)的效果并不理想，對于這種情況，最有效的策略是什么？

Timothe?e Lacroix：LLM 的一切能力都源自數(shù)據(jù)，所以我們首先需要獲取目標(biāo)語言數(shù)據(jù)。所有 LLM 都是在維基百科上訓(xùn)練的，這為模型掌握多語能力打下了良好基礎(chǔ)，這也解釋了為何模型可以在未經(jīng)特別訓(xùn)練的情況下理解一些法語。我認(rèn)為，讓模型掌握多語能力存在一種權(quán)衡，例如，如果模型在法語方面取得了進(jìn)步，就會略微損失其他語言能力，但這種損失并不明顯，是可以接受的，因為整體而言，在其他語言上的性能提升可能更為顯著。

OneDiff 是一個開箱即用的圖片 / 視頻生成推理引擎。開源版最新功能：1. 切換圖片尺寸無需重新編譯（即沒有時間消耗）；2. 更快地保存和加載圖；3. 更小的靜態(tài)內(nèi)存。
?

審核編輯：黃飛

?