图片twitter 露出
深度学习当然谈话处理 原创作家：fanmetasy
大模子由于其在各样任务中的出色推崇而引起了平淡的体恤。关联词，大模子推理的多量计划和内存需求对其在资源受限场景的部署提议了挑战。业内一直在奋力开发旨在提强大模子推理遵守的时期。本文对现存的对于高效大模子推理的文件进行了全面的综述总结。起首分析了大模子推理遵守低下的主要原因，即大模子参数鸿沟、细心力计划操的二次复杂度作和自记忆解码方法。然后，引入了一个全面的分类法，将现存优化职业辞别为数据级别、模子级别和系统级别的优化。此外，本文还对要津子领域的代表性方法进行了对比实验，以及分析并给出一定的视力。临了，对关系职业进行总结，并对异日的操办场地进行了考虑。
论文：A Survey on Efficient Inference for Large Language Models地址：https://arxiv.org/abs/2404.14294
1 Introduction比年来，大模子受到了学术界和工业界的平淡体恤。
LLM领域阅历了权臣的增长和权臣的成就。好多开源llm仍是出现，包括gpt-系列(GPT-1， GPT-2和GPT-3)， OPT， lama系列(LLaMA ， LLaMA 2，BaiChuan 2 ，Vicuna， LongChat)， BLOOM， FALCON， GLM和Mtaistral[12]，他们用于学术操办和买卖落地。大模子的得手源于其处理各样任务的强盛才智，如神经谈话集中(NLU)、神经谈话生成(NLG)、推理和代码生成[15]，从云尔毕了ChatGPT、Copilot和Bing等有影响力的应用表率。越来越多的东说念主以为[16]LMM士的崛起和取得的成就标志着东说念主类向通用东说念主工智能(AGI)迈进了一大步。
图片
图1：大模子部署挑战关联词，LLM的部署并不老是很得手。如图1所示，在推理过程中，使用LLM平方需要更高的计划资本，内存走访资本和内存占用。（压根原因分析见Sec. 2.3）在资源受限的场景中，推理遵守也会贬抑（如，延伸，混沌量，功耗和存储）。这对LLM在末端以及云场景这两方面的应用带来了挑战。例如，巨大的存储需求使得在个东说念主条记本电脑上部署70B参数目的模子来用于缓助开发是不切试验的。此外，如果将LLM用于每一个搜索引擎肯求，那么低混沌量将带来巨大的资本，从而导致搜索引擎利润的大幅减少。
运道的是，多量的时期仍是被提议来，以已毕LLM的有用推理。为了赢得对现存操办的全面了解，并引发进一步的操办，著作对刻下现存的LLM高效推理职业领受了分级分类和系统总结。具体来说，将现存职业辞别组织为数据级别、模子级别和系统级别的优化。此外，著作对要津子领域内的代表性方法进行了实验分析，以牢固常识，提供试验性建议并为异日的操办奋力提供率领。
图片
表1：综述对比面前，综述[17]，[18]，[19]，[20]，[21]，[22]均触及LLM领域。这些综述主要集中在LLM遵守的不同方面，但提供了进一步纠正的契机。Zhu等[17]，Park等[18]和Wang等。[19]将综述的重点放在，模子压缩时期上，是模子级别的优化。Ding等[20]将数据和模子架构当作操办重点。Miao等[21]从机器学习系统(MLSys)操办的角度操办LLM的有用推理。比较之下，本文提供了一个更全面的操办范围，在三个档次上贬责优化：数据级别、模子级别和系统级别，同期也囊括了最近的操办职业。而Wan等[22]和Xu等[23]也对高效LLM操办进行了全面综述。基于在几个要津的子领域如模子量化和模子server端中进行的实验分析，本文通过整合对比实验，提供试验的视力和建议。如表1所示，展示了各样综述之间的比较。
本文行文结构辞别如下：第二章先容了LLMs的基本见识和常识，并对LLMs推理过程中遵守瓶颈进行了详备的分析。第三章展示了本文提议的分类法。第四章到第六章从三个不同优化级别分别对关系职业进行展示考虑。第七章针对几个要津的应用场景进行更平淡的考虑。第八章总结本综述的要津孝敬。
2 Preliminaries2.1 transformer架构的LLM谈话建模当作谈话模子的基本功能，包括对单词序列概率进行建模并展望后续单词的概率分散。比年来操办东说念主员发现增多谈话模子鸿沟不仅提高了谈话建模才智，除了传统的NLP任务除外，还产生了处理更复杂任务的才智[24]，这些鸿沟更大的谈话模子是被称为大模子(LLMs)。
主流大模子是基于Transformer架构[25]遐想的。典型的transformer架构的模子由数个堆叠的transformer block组成。平方，一个transformer block由一个多头自细心力（MHSA）模块，一个前馈神经汇聚（FFN）和一个LayerNorm（LN）层组成。每个transformer block继承前一个transformer block的输出特征，并将其当作输入，并将特征串行送进每个子模块中，临了输出。特别的是，在第一个transformer block前，需要用一个tokenizer将传统的输入语句滚动为token序列，并紧接着使用一个embedding层将token序列滚动为输入特征。且一个额外的位置embedding被加入到输入特征中，来对输入token序列的token递次进行编码。
Transformer架构的中枢是自细心力机制，其在多头自细心力（MHSA）模块被使用。MHSA模块对输入进行线性变换，得到了Q，K，V向量，如公式(1)所示：
其中为输入特征，为第个细心力头的变换矩阵。接着自细心力操作被应用于每个（）元组并得到第个细心力头的特征，如公式(2)所示：
其中是query(key)的维度。自细心力计划包含矩阵乘法，其计划复杂度是输入长度的二次方。临了，MHSA模块将整个细心力头的特征进行拼接，并对他们作念映射矩阵变换，如公式(3)所示：
其中是映射矩阵。自细心力机制可以让模子识别不同输入部分的要害性，而无谓去计议距离，也已就此可以赢得输入语句的长距离依赖以及复杂的关系。
FFN当作transformer block的另一个要害模块，被诞生在多头自细心力（MHSA）模块之后，且包含两个使用非线性激活函数的。其继承MHSA模块的输出特征如公式（4）所示，进行计划：
其中，和为两个线性层的权重矩阵，为激活函数。
2.2 大模子推理过程最受迎接的大模子，如，decoder-only架构的大模子平方领受自记忆的方式生成输出语句，自记忆的方式是逐token的进行输出。在每一次生成步中，大模子将以前的全部token序列当作输入，包括输入token以及刚刚生成的token，并生成下一个token。跟着序列长度的增多，生过文本这一过程的时期资本也权臣藏家。为了贬责这个问题，一个要津时期，key-value（KV）缓存被提议来，用于加速文本生成。
KV缓存时期，包括在多头自细心(MHSA)块内，存储和复用前边的token对应的key 向量(K)和value向量(V)。此项时期在大模子推理以中得到了平淡的应用，因为其对文本生成延伸已毕了巨大的优化。基于此项时期，大模子的推理过程可以辞别为两个阶段：
①prefilling阶段：大模子计划并存储原始输入token的KV缓存，并生成第一个输出token，如图2（a）所示
②decoding阶段：大模子欺诈KV 缓存逐一输出token，并用更生成的token的K，V（键-值）对进行KV缓存更新。
图片
图2：KV缓存时期在大模子推理中应用旨趣透露图图片
如图3所示，展示了提高推理遵守的要津方针。对于横轴Latency(延伸，在预填充（prefilling）阶段，将first token latency记作生成第一个token的时期；在decoding阶段，将per-output token latency记作生成一个token的平均时期。此外，generation latency透露输出整个这个词token序列的时期。对于纵轴Memory（内存），model size被用来透露存储模子权重所需要的内存大小以及KV cache size代表存储存储KV缓存的内存大小。此外，peak memory代表在生成工程中需要占用的最大内存。其粗陋为model size与KV cache size之和。对模子权重和KV缓存的内存和。撤回延伸和内存中，混沌量（throughput）亦然大模子推理服务系统中的一个平淡使用的方针。token throughput透露每秒生成的token数目，request throughput透露每秒完成的肯求数。
2.3 推理遵守分析在资源受限的场景中，部署大模子并保抓其推理遵守以及性能对于工业界和科研及都是巨大的挑战。例如，对有700亿参数目的LLaMA-2-70B进行部署，以FP16数据相貌对其权重进行加载需要140GB显存（VRAM），进行推理需要至少6张 RTX 3090Ti GPU（单卡显存24GB）或者2张NVIDIA的A100 GPU（单卡显存80GB）。在推理延伸方面，2张NVIDIA的A100 GPU上生成一个token需要100毫秒。因此，生成一个具稀有百个token的序列需要跳动10秒。撤回内存占用和推理延伸，混沌量以及动力电量的虚耗都需要被计议。大模子推理过程中，三个要害身分将很大程度上影响上述方针。计划资本（computational cost），内存走访资本（memory access cost）和内存使用（memory usage）。大模子推理低遵守的压根原因需要体恤三个要津身分：
①Model Size：主流大模子平方包含数十亿甚而万亿的参数。例如，LLaMA-70B模子包括700亿参数，而GPT-3为1750亿参数。在推理过程中，模子大小对计划资本、内存走访资本和内存使用产生了权臣影响。
②Attention Operation：如2.1和2.2中所述，prefilling阶段中，自细心操作的计划复杂度为输入长度的2次方，因此输入长度的增多，计划资本、内存走访资本和内存使用都会权臣增多。
③Decoding Approach：自记忆解码是逐token的进行生成。在每个decoding step，整个模子权重都来自于GPU芯片的片下HBM，导致内存走访资本巨大。此外，KV缓存跟着输入长度的增长而增长，可能导致内存分散和不规定内存走访。
3 TAXONOMY上述部分回报了影响大模子推感性能的要津身分，如计划资本、内存走访资本和内存使用，并进一步分析了压根原因：Model Size、Attention Operation和Decoding Approach。好多操办从不同的角度对优化推理遵守进行了奋力。通过追思和总结这些操办，著作将它们分为三个级别的优化，即：数据级别优化、模子级别优化和系统级别优化(如图4所示)：
图片
图4：大模子推感性能优化分类数据级别优化：即通过优化输入prompt（例如，输入压缩)或者更好的组织输出内容（例如，输出组织）。这类优化平方不会篡改原来的模子，因此莫得奋斗的模子老师资本(其中，可能需要对一丝的缓助模子进行老师，但与老师大模子的资本比较，这个资本可以被忽略)。模子级别优化：即在模子推理时，通过遐想一个有用的模子结构（如有用的结构遐想）或者压缩预老师模子（如模子压缩）来优化推理遵守。优化第一种优化平方需要高尚的预老师或一丝的微调来保留或者回复模子才智的资本，而第二种典型的会给模子性能带来赔本。系统级别优化：即优化推理引擎或者服务系统。推理引擎的优化不需要进行模子老师，服务系统的优化对于模子性能而言更是无损的。此外，著作还在章节6.3中队硬件加速遐想进行了浮浅的先容。4.数据级别优化数据级别的优化本年来的职业可以辞别为两类，如优输入压缩或者输出组织。输入压缩时期凯旋裁减了模子的输入长度来减少推理赔本。同期输出组织时期通过组织输出内容的结构来已毕批量(并行)推理，此方法可以提高硬件欺诈率和贬抑模子的生成延伸。
4.1输入压缩在大模子的试验应用中，领导词prompt至关要害，好多职业都提议了遐想领导词的新方法，它们在实践中均展示出悉心遐想的领导可以开释大模子的性能。例如，高低体裁习（In-Context Learning）建议在prompt中包含多个关系示例，这种方法能够饱读舞大模子去进行类比学习。念念维链（Chain-of-Thought， COT）时期则是在高低文的示例中加入一系列中间的推理门径，用于匡助大模子进行复杂的推理。关联词，这些领导词上的关系手段不可幸免地会导致领导词更长，这是一个挑战，因为计划资本和内存使用在prefilling时期会二次增长(如2.3节所示)。
为了贬责这个问腿输入prompt压缩时期被提议来用于裁减领导词长度且不合大模子的回答质料组成权臣性影响。在这一时期方面，关系操办可分为四个方面，如图5所示：领导词编著（prompt pruning），领导词总结（prompt summary），基于领导词的软压缩（soft prompt-based compression）和检索增强生成（retrieval augmented generation， RAG）。
图片
图5：大模子输入压缩方法分类4.1.1 领导词编著（prompt pruning）领导词编著的中枢念念想是从输入prompt中基于预界说或者学习到的要津性方针中去在线去除不要害的token，语句或者文档。DYNAICL提议对给定输入，动态地笃定高低文示例的最优数目，通过一个老师好的基于大模子的controller。Selective Context这篇论文提议将token合并为数个单位，接着使用一个基于self-information方针（如，negative log likelihood）的单位级别地prompt编著。STDC论文基于解析树进行领导词编著，其迭代地删除在编著后导致最小性能下落的短语node。PCRL论文引入了一种基于强化学习的token级别的编著决策。PCRL背后的中枢念念想是通过将赤诚度和压缩比组合到奖励函数中来老师一个战术大模子。赤诚度是通过计划经过编著后的输出领导符和原始领导词之间的相似度来预计的。RECOMP方法已毕了一种句子级别编著战术来压缩用于检索增强谈话模子(Retrieval-Augmented Language Models， RALMs)的领导。该方法包括使用预老师的encoder将输入问题和文档编码为latent embedding。然后，它把柄文档embedding与问题embedding的相似度决定要去除哪些文档。LLMLingua引入了一种粗到细的剪枝决策，用于prompt压缩。领先，它实践示范级别的编著，然后把柄困惑度实践token级别的编著。为了提高性能，LLMLingua提议了一个预算胁制器，在领导词的不同部分之间动态分派编著预算。此外，它欺诈迭代式的token级的压缩算法来贬责由条目安靖性假定引入的不准确性。LLMLingua还领受了一种分散对皆战术，将目的大模子的输出分散与用于困惑度计划的较小大模子进行对皆。LongLLMLingua[41]在LLMLingua的基础上进行了一些加强:(1)它欺诈以输入问题为条目的困惑度当作领导词编著的方针。(2)它为不同的演示分派不同的修剪比例，并把柄其方针值在最终领导词内从新排序。(3)基于反映恢规复始内容。CoT-Influx引入了一种使用强化学习对念念维链(CoT)领导词进行粗到细粒度编著的方法。具体来说，它会先编著去除不要害的示例，然后在剩下的示例中接续删除不要害的token。
4.1.2 领导词总结（prompt summary）领导词总结的中枢念念想是在保抓相似的语义信息的前提下，将原有领导词浓缩为更短的总结。这些时期还可以当作领导词的在线压缩方法。与前边提到的保留未编著象征的领导词编著时期不同，这一转方法将整个这个词领导符转念为总结。RECOMP[34]引入了一个抽象压缩器（Abstractive Compressor），其将输入问题和检索到的文档当作输入，生成一个简单的摘抄。具体来说，它从大鸿沟的大模子中索要轻量级压缩器来进行总结职业。SemanticCompression提议了一种语义压缩方法。它起首将文天职解成句子。然后，它把柄主题将句子分组，然后总结每组中的句子。
4.1.3 基于领导词的软压缩（Soft Prompt-based Compression）这种压缩时期的中枢念念想是遐想一个比原始领导词短得多的软领导词，当作大模子的输入。软领导词被界说为一系列可学习的连气儿token。有些时期对固定前缀的领导词(如系统领导词、特定任务领导词)领受脱机压缩。例如，PromptCompression老师软领导来模拟预定的系统领导词。该方法包括在输入token之前添加几个软token，并允许在反向传播时期对这些软token进行调整。在对领导数据集进行微调之后，软token序列充任软领导词。Gisting引入了一种方法，使用前缀词调优将特定任务的领导词压缩为一组简单的gist token。鉴于特定任务的领导会因任务而异，前缀词调优将针对每个任务单独使用。为了提高遵守，Gisting进一步引入了一种元学习方法，用于展望新的未见过的gist token基于先前任务中的的gist token。
其他时期对每个新的输入领导词进行在线压缩。例如，AutoCompressors老师一个预老师的谈话模子，通过无监督学习将领导词压缩成总结向量。ICAE老师了一个自动编码器将原始高低文压缩到短悲痛槽中。具体来说，ICAE领受稳当LoRA的大模子当作编码器，并使用目的大模子当作解码器。在输入token之前添加一组悲痛token并将其编码到悲痛槽中。
4.1.4 检索增强生成（retrieval augmented generation， RAG）检索增强生成(Retrieval-Augmented Generation， RAG)旨在通过整合外部常识来源来提强大模子回答的质料。RAG也可以看作是在处理多量数据时提高推理遵守的一种时期。RAG莫得将整个信息合并到一个过长的prompt中，而是将检索到的关系信息添加到原始领导符中，从而确保模子在权臣减少领导词长度的同期继承到必要的信息。FLARE使用对行将到来的句子的展望来主动决定何时以及检索什么信息。REPLUG将大模子视为一个黑盒，并使用可调检索模子对其进行引申。它将检索到的文档添加到冻结的黑盒大模子的输入中，并进一步欺诈大模子来监督检索模子。Self-RAG通过检索和自我反念念来提强大模子的质料和真确性。它引入了反馈token，使大模子在推理阶段可控。
4.2 输出组织（Output Organization）传统的大模子的推理过程是十足递次生成的，这会导致多量的时期虚耗。输出组织时期旨在通过组织输出内容的结构来(部分地)已毕并行化生成。
念念维骨架(Skeleton-of-Thought， SoT)是这个场地的前驱。SoT背后的中枢念念想是欺诈大模子的新兴才智来对输出内容的结构进行盘算。具体来说，SoT包括两个主要阶段。在第一阶段(即框架阶段)，SoT率领大模子使用预界说的“框架领导词”生成谜底的简明框架。例如，给定一个问题，如“中国菜的典型类型是什么?”，这个阶段的输出将是一个菜的列表(例如，面条，暖锅，米饭)，莫得详备的描写。然后，在第二阶段(即点扩展阶段)，SoT率领大模子使用“点扩展领导符”来同期扩展骨架中的每个点，然后将这些拓展联结起来最终形成临了谜底。当应用于开源模子时，可以通过批推理实践点扩展，这可以提高硬件欺诈率，并在使用调换的计划资源的前提下减少总体生成延伸，以减少额外的计划。SoT的推理历程展示如图6所示：
图片
由于额外的领导词(如骨架领导词和点扩展领导词)带来的支出，SoT考虑了在点扩展阶段跨多个点来分享大众领导词前缀的KV缓存的可能性。此外，SoT使用路由模子来决定SoT是否稳当应用于特定的问题，目的是将其胁制在合适的情况下使用。落幕，SoT在最近发布的12个大模子上 已毕了高达2.39倍的推理加速，并通过提高谜底的各样性和关系性来提高谜底质料。
SGD进一步扩展了SoT的念念想，其将子问题点组织成一个有向无环图(DAG)，并在一个回合内并行地回答逻辑安靖的子问题。与SoT近似，SGD还欺诈大模子的新兴才智，通过提供我方制作的领导词和几个示例来生成输出结构。SGD放宽了不同点之间严格的安靖性假定，以提高谜底的质料，特别是对于数学和编码问题。与SoT比较，SGD优先计议谜底质料而不是速率。此外，SGD引入了一个自稳当的模子遴荐方法，来把柄其算计的复杂性为每个子问题分派最优模子大小，从而进一步提高遵守。
APAR领受了与SoT近似的念念想，欺诈大模子输出特殊的胁制token(如 ，[fork])来自动动态的触发并行解码。为了有用地欺诈输出内容中固有的可并行化结构并准确地生成胁制token，APAR对大模子进行了微调，这些大模子是悉心遐想的数据上进行的，这些数据是在特定树结构中形成的。因此，APAR在基准测试中已毕1.4到2.0倍的平均加速，且对谜底质料的影响可以忽略不计。此外，APAR将他们的解码方法与推测解码时期(如Medusa)和推理框架(如vLLM)结合，来进一步纠正推理延伸和系统混沌量。
SGLang在Python 特征原语中引入了一种领域特定谈话(DSL)，其能够天真地促进大模子编程。SGLang的中枢念念想是自动分析各样生成调用之间的依赖关系，并在此基础上进行批量推理和KV缓存分享。使用该谈话，用户可以放荡已毕各样领导词战术，并从SGLang的自动遵守优化(如SoT，ToT）中收益。此外，SGLang 还先容并结合了几种系统级别的编译时期，如代码转移和预取审视。
4.3 意志，建议和异日场地大模子处理更长的输入、生成更长的输出的需求日益增长，这突显了数据级别的优化时期的要害性。在这些时期中，输入压缩方法的主要目的是通过减少由attention操作引起的计划和内存资本来提高prefilling阶段的遵守。此外，对于基于API的大模子，这些方法可以减少与输入token关系的API资本。比较之下，输出组织方法侧重于通过贬抑与自记忆解码方法关系的多量内存走访资本来优化解码阶段。
跟着大模子的功能越来越强盛，是有可能能欺诈它们来压缩输入领导词或构建输出内容的。输出组织方法的最新进展也阐述了欺诈大模子将输出内容组织成安靖点或依赖图的有用性，从而便于批量推理以改善生成延伸。这些方法欺诈了输出内容中固有的可并行结构，使大模子能够实践并行解码，从而提高硬件欺诈率，从而减少端到端的生成延伸。
最近，各样领导词pipeline(如，ToT ，GoT)和Agent框架正在出现。诚然这些翻新提高了大模子的才智，但它们也增多了输入prompt的长度，导致计划资本增多。为了贬责这个问题，领受输入压缩时期来减少输入长度是一种很有但愿的贬责决策。同期，这些pipeline和框架当然地为输出结构引入了更多的并行性，增多了并行解码和跨不同解码线程来分享KV cache的可能性。SGLang支抓天确切大模子编程，并为前端和后端协同优化提供了契机，为该领域的进一步扩展和纠正奠定了基础。总之，数据级别优化，包括输入压缩和输出组织时期，在可料想的将来，为了提强大模子推理遵守，将变得越来越必要。
除了优化现存框架的推理遵守外，一些操办还侧重于凯旋遐想更高效的智能体框架。例如，FrugalGPT提议了一个由不同大小的大模子组成的模子级联，如果模子对谜底达到实足的笃定性水平，那么推理过程就会提前罢手。该方法通过欺诈分层的模子体紧缚构和基于模子置信度算计的智能推理拒绝来提高遵守。与模子级别的动态推理时期(第5.2.5节)比较，FrugalGPT在pipeline级别实践动态推理。
5 模子级别优化大模子高效推理的模子级别优化主要集中在模子结构或数据透露的优化上。模子结构优化包括凯旋遐想有用的模子结构、修改原模子和调整推理时期结构。在数据透露优化方面，平方领受模子量化时期。
在本节中，著作将把柄所需的额外老师支出对模子级别的优化时期进行分类。第一类包含遐想更有用的模子结构(又叫有用结构遐想)。使用这种方法开发的模子平方需要从新脱手老师。第二类侧重于压缩预老师模子(称为模子压缩)。此类别中的压缩模子平方只需要最小的微调即可回复其性能。
5.1 有用结构遐想面前，SOTA大模子平方使用Transformer架构，如2.1节所述。关联词，基于transformer的大模子的要津组件，包括前馈汇聚(FFN)和attention操作，在推理过程中存在遵守问题。著作以为原因如下:
FFN在基于transformer的大模子中孝敬了很大一部分模子参数，这导致权臣的内存走访资本和内存使用，特别是在解码阶段。例如，FFN模块在LLaMA-7B模子中占63.01%，在LLaMA-70B模子中占71.69%。attention操作在的复杂度是输入长度的二次方，这导致多量的计划资本和内存使用，特别是在处理较长的输入高低文时。为了贬责这些计划遵守问题，一些操办集中在开发更有用的模子结构上。著作将关系操办分为三组(如图7所示)：高效FFN遐想、高效细心力遐想和Transformer替代。
图片
图7：大模子有用结构遐想分类5.1.1 高效FFN遐想在这一方面，好多操办都集中在将混杂大众(mixture-of-experts， MoE)时期集成到大模子中，以提强大模子的性能，同期保抓计划资本。MoE的中枢念念想是动态地分派各样预算，在面对不同的输入token时。在基于MoE的Transformers中，多个并行的前馈审计汇聚(FFN)，即大众，与可老师的路由模块一齐使用。在推理过程中，模子遴荐性地为路由模块胁制的每个token激活特定的大众。
一些操办集中操办FFN大众的职业，主如果在优化大众权值的获取过程或使大众更轻量化以提高遵守。例如，MoEfication遐想了一种方法，使用预老师的权重将非MoE大模子转念为MoE版块。这种方法免去了对MoE模子进行高尚的预老师的需要。为了已毕这个时期，MoEfication起首将预老师大模子的FFN神经元分红多组。在每一组中，神经元平方同期被激活函数激活。然后，它以大众的身份重组每组神经元。Sparse Upcycling引入了一种方法，凯旋从密集模子的checkpoint中脱手化基于MoE的LLM的权重。在这种方法中，基于MoE的LLM中的大众是密集模子中FFN的精准复成品。通过使用这种浮浅的脱手化，Sparse Upcycling可以有用地老师MoE模子以达到高性能。MPOE提议通过矩阵乘积算子(Matrix Product Operators， MPO)领悟来减少基于MoE的大模子的参数。该方法将FFN的每个权重矩阵领悟为一个包含大众信息的全局分享张量和一组拿获特定特征的局部缓助张量。
另一项操办侧重于纠正MoE模子中路由模块(或战术)的遐想。在以前的MoE模子中，路由模块容易导致负载起义衡问题，这意味着一些大众被分派了多量token，而另一些大众只处理一丝token。这种起义衡不仅浪费了未充分欺诈的大众的才智，贬抑了模子的性能，还贬抑了推断推理质料。刻下的MoE已毕时常使用批矩阵乘法来同期计划整个FFN大众。这就要求每个大众的输入矩阵必须具有调换的阵势。关联词，由于存在负载起义衡问题，需要向那些未充分欺诈的大众中填充输入token集以得意阵势敛迹，这会变成计划浪费。因此，路由模块遐想的主要目的是在MoE大众的token分派中已毕更好的平衡。Switch Transformers在最终loss函数中引入了一个额外的loss，即负载平衡loss，以刑事职业路由模块的起义衡分派。这种loss被表述为token分派分数向量和均匀分散向量之间的缩放点积。因此，惟有在整个大众之间平衡token分派时，赔本才会最小化。这种方法饱读舞路由模块在大众之间均匀地分发token，促进负载平衡并最终提高模子性能和遵守。BASE用端到端的方式学习了每个大众的embedding，然后把柄embedding的相似性将大众分派给令token。为了保证负载平衡，BASE制定了一个线性分派问题，并欺诈拍卖算法有用地贬责了这个问题。Expert Choice引入了一种浮浅而有用的战术来确保基于MoE的模子的好意思满负载平衡。与以前将大众分派给token的方法不同，Expert Choice允许每个大众把柄embedding的相似度安靖遴荐top-k个token。这种方法确保每个大众处理固定数目的token，即使每个token可能分派给不同数目的大众。
除了上述体恤模子架构自身的操办外，也有对基于MoE的模子的老师方法纠正的关系职业。SE-MoE引入了一种新的缓助loss，称为router z-loss，其目的是在不影响性能的情况下提高模子老师的强健性。SE-MoE发当今路由模块中，softmax操作所引入的指数函数会加重舍入过错，导致老师不彊壮。为了贬责这个问题twitter 露出，router z-loss会刑事职业输入到指数函数中的概略率，从而最小化老师时期的舍入过错。StableMoE指出基于MoE的大模子存在路由波动问题，即在老师和推理阶段大众分派不一致。对于调换的输入token，在老师时其被分派给了不同的大众，但在推理时却只激活一个大众。为了贬责这个问题，StableMoE建议领受更一致的老师方法。它起首学习路由战术，然后在模子骨干老师和推理阶段保抓固定的路由战术。SMoE-Dropout为基于MoE的大模子遐想了一种老师方法，其提议在老师过程中迟缓增多激活大众的数目。这种方法提高了基于MoE的模子的推理和下贱微调的可扩展性。GLaM预老师并发布了一系列具有不同参数大小的模子，这阐述了它们在few-shot任务上与密集大模子的性能止境。这个系列模子中，最大的模子的参数高达1.2万亿。Mixtral 8x7B是最近发布的一个引东说念主详细的开源模子。在推理过程中，它只欺诈了130亿个活动参数，在不同的基准测试中取得了比LLaMA-2-70B模子更好的性能。Mixtral 8x7B每层由8个前馈汇聚(FFN)大众组成，每个token在推理过程平分派给两个大众。
5.1.2 高效attention遐想attention操作是Transformer体紧缚构中的一个要津部分。关联词，它的计划复杂度是与输入长度关系的二次方，这导致了多量的计划资本、内存走访资本和内存使用，特别是在处理长高低文时。为了贬责这个问题，操办东说念主员正在探索更有用的方法来近似原始attention操作的功能。这些操办大致可以分为两个主要分支：multi-query attention和low complexity attention。
①Multi-Query Attention。Multi-Query Attention（MQA）通过分享横跨不同细心力头的KV缓存来优化attention 操作。这项战术有用的减少了推理时的内存走访资本和内存使用，对改善Transformer模子的性能带来了匡助。如第2.2节所述，transformer类型的大模子平方领受多头细心力(MHA)操作。该操作需要在解码阶段为每个细心力头存储和检索KV对，导致内存走访资本和内存使用大幅增多。而MQA通过在不同的头上使用调换的KV对，同期保抓不同的Q值来贬责这一问题。通过平淡的测试，MQA仍是被阐述可以权臣贬抑内存需求，且对模子性能的影响很小，这使它成为一个提高推理遵守的要津时期。Grouped-query attention(GQA)进一步扩展了MQA的见识，它可以看作是MHA和MQA的混杂。具体来说，GQA将细心力头分红不同的组，然后为每个组存储一组KV值。这种方法不仅保抓了MQA在减少内存支出方面的上风，还强化了推理速率和输出质料之间的平衡。
②Low-Complexity Attention。Low-Complexity Attention方法旨在遐想新的机制来贬抑每个细心力头的计划复杂度。为了简化考虑，这里假定Q(查询)、K(键)和V(值)矩阵的维度是调换的，即。由于底下的职业不触及像MQA那样篡改细心头的数目，此处的考虑集中在每个头内的细心力机制。如2.2节所述，传统细心力机制的计划复杂度为，止境于跟着输入长度增长，呈二次增长。为了贬责低遵守问题，Kernel-based Attention和Low-Rank Attention方法被提议，此方法将复杂度贬抑到。
Kernel-based Attention。基于核的细心力遐想了一个核，通过变换特征映射之间的线性点积如，，来近似的非线性softmax操作。它通过优先计划，然后将其与相乘，从而幸免了与关系的传统二次计划。具体来说，输入Q和K矩阵起首通过核函数映射到核空间，但是保抓其原始维度。接着欺诈矩阵乘法的关联性情，允许K和V在与Q交互之前相乘。因此细心力机制被从新表述为：
其中，。此方法有用的将计划复杂度贬抑至，使其与输入长度成线性关系。Linear Transformer是第一个提议基于核的细心力的职业。它领受当作核函数，其中透露指数线性单位激活函数。Performers和RFA提议使用就怕特征映射来更好地近似softmax函数。PolySketchFormer领受多项式函数和素描时期近似softmax函数。
Low-Rank Attention。 Low-Rank Attention时期在实践细心计划之前，将K和V矩阵的token维度(如)压缩到较小的固定长度(即如)。该方法基于对细心力矩阵平方推崇出低秩性情的意志，使得在token维度上压缩它是可行的。这条操办蹊径的主要重点是遐想有用的压缩方法，其中可以是高低文矩阵，也可以是K和V矩阵：
有一种职业是使用线性投影来压缩token维度。它通过将K和V矩阵与映射矩阵相乘来完成的。这么，细心力计划的计划复杂度降至，与输入长度成线性关系。Linformer起首不雅察并分析了细心力的低秩性，提议了低秩细心力框架。LRT提议将低秩变换同期应用于attention模块和FFN，来进一步提高计划遵守。FLuRKA将低秩变换和核化结合到细心力矩阵中，进一步提高了遵守。具体的说，它起首贬抑K和V矩阵的token的维度，然后对Q和低秩K矩阵应用核函数。
除了线性映射外，其他的token维度压缩方法也被提议出来。Luna和Set Transformer欺诈额外的细心力计划和较小的query来有用地压缩K和V矩阵。Luna则是使用了一个额外的固定长度为的query矩阵。小的query使用原始的高低文矩阵实践细心力计划，称为pack attention，来将高低文矩阵压缩到大小为。随后，成例的细心力计划，称为unpack attention，将细心力计划应用于原始Q矩阵和压缩的K和V矩阵。额外的query矩阵可以是可学习的参数或从前一层中获取。Set Transformer通过引入固定长度的矢量，遐想了近似的时期。FunnelTransformer不同于以往压缩K和V的职业，它使用池化操作来迟缓压缩Q矩阵的序列长度。
5.1.3 Transformer替代除了聚焦于优化细心力操作除外，最近的操办还翻新地遐想了高效而有用的序列建模体紧缚构。表2比较了一些代表性的非transformer架构模子的性能。在老师和推理过程中，这些架构的模子在序列长度方面推崇出小于二次方的计划复杂度，使大模子能够昭彰增多其高低文长度。
图片
典型非Transformer架构模子性能比较在这些操办中，有两个非常的操办场地引起了极大的体恤。其中一条操办集中在景况空间模子(State Space Model， SSM)上，该模子将序列建模视作一种基于HiPPO表面的递归变换。此外，其他操办主要集中在使用长卷积或遐想近似细心力的公式来建模序列。
State Space Model：景况空间模子（SSM）在某些NLP和CV任务中的建模才智极具竞争力。与基于细心力的Transformer比较，SSM在输入序列长度方面推崇出线性的计划和存储复杂度，这提高了其处理长高低文序列的才智。本篇综述中，SSM是指一系列得意以下两个属性的模子架构:
(1)它们基于HiPPO和LSSL提议的以下公式对序列进行建模：
其中，透露转移矩阵。为中间景况，为输入序列。
(2)他们基于HiPPO表面遐想了转移矩阵A。具体来说，HiPPO提议通过将输入序列映射到一组多项式基上，将其压缩为总共序列(即)。
在上述框架的基础上，一些操办主要集中在纠正转移矩阵A的参数化或脱手化。这包括在SSM中从新界说矩阵的公式或脱手化方式，以增强其在序列建模任务中的有用性和性能。LSSL起首提议用HiPPO遐想的最优转移矩阵脱手化A。此外，LSSL还通过张开公式(7)，以卷积的方式老师SSM。具体地说，通过界说一个卷积核为，可以将公式(7)改写为，也可以通过快速傅里叶变换(FFT)高效地计划。关联词，计划这个卷积核的代价是高尚的，因为它需要屡次乘以A。为此，S4、DSS和S4D提议对矩阵A进行对角化，从而加速计划速率。这可以看作是转念矩阵A的参数化时期。以前的SSM安靖处理每个输入维度，从而会产生多量可老师的参数。为了提高遵守，S5提议使用一组参数同期处理整个输入维度。在此结构的基础上，S5先容了基于标准HiPPO矩阵的A的参数化和脱手化方法。Liquid S4和Mamba以输入依赖的方式对转移矩阵进行参数化，这进一步增强了SSM的建模才智。此外，S5和Mamba均领受并行扫描时期，无需卷积操作即可进行有用的模子老师。这种时期在当代GPU硬件上的已毕和部署方面具有上风。
另一类操办场地是基于SSM遐想更好的模子架构。GSS和BiGS结合了门控细心力单位(GAU)和SSM。它们将GAU中的细心力操作替换为SSM操作。BST将SSM模子与提议的使用强局部感应偏置的Block Transformer相结合。H3不雅察到SSM在调回较早的token和跨序列比较token方面很弱。为此，它建议在标准SSM操作之前增多一个移位SSM操作，用于凯旋将输入令牌移位干涉景况。MambaFormer结合了标准Transformer和SSM模子，将Transformer中的FFN层替换为SSM层。Jamba引入了另一种方法，通过在SSM模子中添加四个Transformer层来组合Transformer和SSM模子。DenseMamba探讨了传统SSM中遮蔽景况退化的问题，并在SSM体紧缚构中引入了鲁莽联结，以在模子的更深层中保存细粒度信息。BlackMamba和MoE- mamba提议用混杂大众(Mixture-of-Experts， MoE)时期增强SSM模子，在保抓模子性能的同期优化老师和推理遵守。
其他代替：除了SSM除外，还有其他几种高效的替代决策也引起了极大的体恤，包括长卷积和类attention的递归运算。一些操办在长序列建模中领受了长卷积。这些职业东如果对于卷积参数的参数化的。例如，Hyena领受了一种数据关系的参数化方法，用于使用浅前馈神经汇聚(FFN)的长卷积。其他遐想类细心力操作，但可以纳入轮回方式的操办，从云尔毕高效的老师和高效的推理。例如，RWKV是在AFT的基础上诞生的，AFT提议将Transformer模子中的细心力操作代入如下公式:
其中，和Transformer相似 ，分别为quey，key，vakue，为一个可学习的成对位置偏差和为一个非线性函数。具体来说，它进一步将位置偏差进行重参数化，，因此可以将公式（8）重写为递归阵势。这么，RWKV可以将Transformer的有用并行化老师性情和RNN的高效推理才智结合起来。
遵守分析：著作在表2平分析和比较了几种翻新的和具有代表性的非Transformer架构的模子的计划和内存复杂性。在老师时期方面，好多模子(如S4， Hyena， RetNet)这些通过使用卷积或细心力等老师阵势来保抓老师并行性。值得细心的是，Mamba用并行扫描时期处理输入序列，从而也使用了老师并行性。
另一方面，在推理过程中，大多数操办遴荐轮回架构来保抓prefilling阶段的线性计划复杂度并在decoding阶段保抓高低文长度不可知。而且，在decoding阶段，这些新颖的体紧缚构甩掉了缓存和加载历史token的性情的需要(近似于基于Transformer的谈话模子中的KV缓存)，从而权臣从简了内存走访资本。
5.2 模子压缩模子压缩包括一系列旨在通过修改预老师模子的数据透露(例如，量化)或篡改其模子架构(例如，稀疏化、结构优化和动态推理)来提高其推理遵守的时期，如图8所示。
图片
图8：大模子的模子压缩方法分类5.2.1 量化量化是一种平淡使用的时期，通过将模子的权重和激活从高位宽透露转念为低位宽透露来减少大模子的计划和内存资本。具体来说，好多方法都触及到将FP16张量量化为低位整型张量，可以透露为如下公式:
其中透露16位浮点(FP16)值，透露低精度整数值，透露位数，和透露缩放因子和零点。
不才面，本文从遵守分析脱手，说明量化时期怎么减少大模子的端到端推理延伸。随后，再分别详备先容两种不同的量化职业历程：Post-Training Quantization (PTQ)和Quantization-Aware Training (QAT)。
遵守分析：如2.2节所述，大模子的推理过程包括两个阶段：prefilling阶段和decoding阶段。在prefilling阶段，大模子平方处理长token序列，主要操作是通用矩阵乘法(GEMM)。Prefilling阶段的延伸主要受到高精度CUDA内核实践的计划操作的胁制。为了贬责这个问题，现存的操办方法对权重和激活量化，以使用低精度Tensor核来加速计划。如图9 (b)所示，在每次GEMM操作之前会在线实践激活量化，从而允许使用低精度Tensor核(例如INT8)进行计划。这种量化方法被称为权重激活量化。
比较之下，在解码阶段，大模子在每个生成步中只处理一个token，其使用通用矩阵向量乘法(GEMV)当作中枢操作。解码阶段的延伸主要受到加载大权重张量的影响。为了贬责这个问题，现存的方法只体恤量化权重来加速内存走访。这种方法称为，起首对权重进行离线量化，然后将低精度权重去量化为FP16相貌进行计划，如图9 (a)所示。
图片
图9：(a)纯权分量化推理历程。(b)权重激活量化推理历程。Post-Training Quantization： PTQ触及对预老师模子进行量化，而不需要再老师，这可能是一个高尚的过程。尽管PTQ方法仍是在较小的模子中得到了很好的探索，但是将现存的量化时期凯旋应用于大模子存在贫苦。这主如果因为与较小的模子比较，大模子的权重和激活平方推崇出更多的特别值，而且具有更宽的分散范围，这使得它们的量化更具挑战性。总之，大模子的复杂性情，以其鸿沟和复杂性为特征，需要用特地的方法来有用地处理量化过程。大模子中特别值和更宽的分散范围的存在需要开发量身定制的量化时期，以便在不影响模子性能或遵守的情况下处理这些专有的特征。
多量的操办竭力于开发有用的量化算法来压缩大模子。本文在表3中提供了跨四个维度分类的代表性算法的详细。对于量化张量的种类，某些操办专注于weight-only quantization，而其他好多操办则专注于权重和激活的量化。值得细心的是，在大模子中，KV缓存代表了影响内存和内存走访的专有组件。因此，一些操办提议对KV缓存进行量化。在量化相貌方面，为了便于硬件已毕，大多数算法领受合股的相貌。对于量化参数(如缩放因子、零点)的笃定，大多数操办依赖于由权重或激活值得出的统计数据。关联词，也有一些操办主张基于重构loss来寻找最优参数。此外，一些操办也建议在量化之前或量化过程中更新未量化的权重(称为)以提高性能。
在weight-only quantization方法中，GPTQ代表了大模子量化的早期较好的职业，它诞生在传统算法OBQ的基础上。OBQ通过相对于未量化权重的Hessian矩阵的重建过错的方法，来已毕每行权重矩阵的最优量化递次。在每个量化门径之后，OBQ迭代调整未量化的权重以平缓重建过错。关联词，量化过程中频繁更新Hessian矩阵增多了计划复杂度。GPTQ通过领受合股的从左到右的递次来量化每一转，从而简化了这个过程，从而幸免了多量更新Hessian矩阵的需要。该战术通过在量化一转时仅计划Hessian矩阵，然后将计划落幕用于后续行，从而大大减少了计划需求，从而加速了整个这个词量化过程。LUT- GEMM提议了一种新的欺诈查找表(Look-Up Table， LUT)的去量化方法，旨在通过减少去量化支出来加速量化大模子的推理过程。此外，它领受了一种称为二进制编码量化(BCQ)的非均匀量化方法，该方法包含了可学习的量化区间。AWQ不雅察到权重通说念对性能的要害性各不调换，特别强调那些与激活特别值的输入通说念对皆的通说念。为了增强要津权重通说念的保存，AWQ领受了一种重参数化的方法。该方法通过网格搜索遴荐重参数化总共，有用地减小了重构过错。OWQ不雅察到量化与激活特别值关系的权重的贫苦。为了贬责这个问题，OWQ领受了混杂精度量化战术。该方法识别权重矩阵中的弱列，并为这些特定权重分派更高的精度，同期以较低的精度级别量化其余权重。SpQR引入了一种方法，在量化过程中识别和分派更高精度的权重特别值，而其余权重被量化为3位。SqueezeLLM提议将离群值存储在全精度稀疏矩阵中，并对剩余权重应用非均匀量化。把柄量化机灵度笃定非均匀量化的值，能够提高量化模子的性能。QuIP引入了LDLQ，一种二次代理目的的最优自稳当方法。操办标明，保证权值与Hessian矩阵之间的不关系性可以提高LDLQ的有用性。QuIP欺诈LDLQ，通过就怕正交矩阵乘法已毕非关系性。FineQuant领受了一种启发式方法。为了笃定每列量化的粒度，结合从实验中赢得的涵养视力来遐想量化决策。QuantEase的职业诞生在GPTQ之上。在对每一层进行量化时，其提议了一种基于坐标下落的方法来更精准地赔偿未量化的权重。此外，QuantEase可以欺诈来自GPTQ的量化权重当作脱手化，并进一步完善赔偿过程。LLM-MQ领受FP16相貌保护权重特别值，并将其存储在压缩稀疏行(CSR)相貌中，以提高计划遵守。此外，LLM-MQ将每个层的位宽分派，建模为整数盘算问题，并领受高效的求解器在几秒内求解。LLM-MQ还遐想了一个高效的CUDA内核来集成去量化运算符，从而贬抑了计划过程中的内存走访资本。
对于weight-activation quantization，ZeroQuant领受细粒度量化权值和激活，欺诈核贯通来最小化量化过程中的内存走访资本，并逐层进行常识蒸馏以回复性能。FlexGen将权重和KV缓存凯旋量化到INT4中，以减少大都量推理时期的内存占用。LLM.int8() 发现激活中的特别值集中在一小部分通说念中。基于这一丝，LLM.int8() 把柄输入通说念内的离群值分散将激活和权重分红两个不同的部分，以最小化激活中的量化过错。包含激活值和权重的特别数据的通说念以FP16相貌存储，其他通说念则以INT8相貌存储。SmoothQuant领受了一种从新参数化时期来贬责量化激活值的挑战。该方法引入比例因子，扩大了权重通说念的数据范围，缩小了相应激活通说念的数据范围。ZeroQuant引入了权重的组级别的量化战术和激活的token级别的量化方法。在此方法的基础上，ZeroQuantV2提议了LoRC(低秩赔偿)时期，领受低秩矩阵来平缓量化不准确性。RPTQ发现不同激活通说念的分散，实质上是变化的，这给量化带来了挑战。为了缓解这个问题，RPTQ将具有相似激活分散的通说念从新组织到集群中，并在每个集群中独随即应用量化。OliVe不雅察到离群值隔邻的正态值不那么要津。因此，它将每个离群值与一个正态值配对，点火正态值，以赢得更大的离群值透露范围。OS+不雅察到特别值的分散是集中且不合称的，这对大模子的量化提议了挑战。为了贬责这个问题，OS+引入了一种通说念级别的转移和缩放时期。在搜索过程去笃定转移和缩放参数，能有用地处理集中庸不合称的离群值分散。ZeroQuant-FP操办了将权重和激活值量化为FP4和FP8相貌的可行性。操办标明，与整数类型比较，将激活量化为浮点类型(FP4和FP8)会产生更好的落幕。Omniquant与先前依赖量化参数的涵养遐想的方法不同。相背，它优化了权值编著的领域和等效变换的缩放因子，以最小化量化过错。QLLM通过已毕通说念重组来贬责特别值对量化的影响。此外，QLLM还遐想了可学习的低秩参数，来减小post-quantized模子的量化过错。Atom领受了混杂精度和动态量化激活的战术。值得细心的是，它扩展了这种方法，将KV缓存量化为INT4，以提高混沌量性能。LLM-FP4奋力将整个这个词模子量化为FP4相貌，并引入了预移位指数偏置时期。该方法将激活值的比例因子与权重相结合，以贬责特别值带来的量化问题。BiLLM代表了迄今为止最低位PTQ的职业之一。BiLLM识别了权值的钟形分散和权值Hessian矩阵的特别长尾分散。在此基础上，提议了将基于Hessian矩阵的权重结构分类为权臣值和非权臣值，并分别进行二值化。因此，BiLLM可以将大模子平淡量化到1.08位，且不会权臣贬抑困惑度。KVQuant通过在校准集上离线导出最优数据类型，提议了KV缓存量化的非均匀量化决策。KIVI提议了一种无需调优的2bit KV缓存量化算法，该算法欺诈单通说念量化用于key cache，欺诈单token量化进行value cache。Li等进行了全面的评估，评估了量化对不同张量类型(包括KV Cache)、各样任务、11种不同的大模子和SOTA量化方法的影响。
Quantization-Aware Training：QAT在模子老师过程中计议了量化的影响。通过集成复制量化遵守的层，QAT有助于权重稳当量化引起的作假，从而提高任务性能。关联词，老师大模子平方需要多量的老师数据和计划资源，这对QAT的实施组成了潜在的瓶颈。因此，面前的操办职业集中在减少老师数据需求或平缓与QAT实施关系的计划背负的战术上。为了减少数据需求，LLM-QAT引入了一种无数据的方法，欺诈原始FP16的大模子生成老师数据。具体来说，LLM-QAT使用词表中的每个token当作生成句子的肇始象征。基于生成的老师数据，LLM- QAT应用了基于蒸馏的职业流来老师量化的LLM，以匹配原始FP16大模子的输出分散。Norm Tweaking只针对那些在谈话类别中占最高比例的谈话，作念了肇始象征的胁制遴荐。这一战术可以有用地提高量化模子在不同任务上的生成性能。
为了减少计划量，好多方法领受高效参数微调(parameter-efficient tuning，PEFT)战术来加速QAT。QLoRA将大模子的权分量化为4位，随后在BF16中对每个4位权重矩阵使用LoRA来对量化模子进行微调。QLoRA允许在一个惟有30GB内存的GPU上对65B参数的大模子进行有用的微调。QALoRA则提议在QLoRA中加入分组量化。作家不雅察到QLoRA中量化参数的数目彰着小于LoRA参数的数目，这会导致量化与低秩自稳当之间的起义衡。他们建议，组级别的操作可以通过增多专用于量化的参数数目来贬责这个问题。此外，QA-LoRA可以将LoRA项合并到相应的量化权矩阵中。LoftQ指出，在QLoRA顶用零脱手化LoRA矩阵对于下贱任务是低效的。当作一种替代决策，LoftQ建议使用原始FP16权重与量化权重之间差距的奇异值领悟(Singular Value Decomposition，SVD)来脱手化LoRA矩阵。LoftQ迭代地应用量化和奇异值领悟来赢得更精准的原始权重近似值。Norm Tweaking提议在量化后老师LayerNorm层，并使用常识蒸馏将量化模子的输出分散与FP16模子的输出分散进行匹配，达到近似LLM-QAT的遵守，同期幸免了较高的老师资本。
对比实验与分析：本综述的作家对不同场景下的weight-only quantization时期所产生的加速遵守。作家使用了LLaMA-2-7B和LLaMA-2-13B，并使用AWQ将它们的权分量化至4-bit。作家使用NVIDIA A100进行实验，并使用TensorRT-LLM和LMDeploy这两个推理框架部署量化后的大模子。然后，作家评估了这些推理框架在不同的输入序列上已毕的加速，这些序列是批大小和高低文长度不同的。prefilling延伸、decoding延伸端到端延伸的加速遵守，如表4所示。
图片
表4：大模子加速遵守对比实验落幕标明：（1）Weight-only quantization可以在decoding阶段加速，进云尔毕端到端的加速。这种提高主要源于从高带宽内存( High Bandwidth Memory，HBM)更快地加载具有低精度权重张量的量化模子，这种方法权臣减少了内存走访支出。(2)对于prefilling阶段，weight-only quantization可能会增多延伸。这是因为prefilling阶段的瓶颈是计划资本，而不是内存走访支出。因此，只量化莫得激活的权重对延伸的影响最小。此外，如图9所示，weight-only quantization需要将低精度权重去量化到FP16，这会导致额外的计划支出，从而降速prefilling。(3)跟着批量大小和输入长度的增多，weight-only quantization的加速程度缓缓减小。这主如果因为，对于更大的批处理大小和输入长度，计划资本组成了更大比例的延伸。诚然weight-only quantization主要贬抑了内存走访资本，但跟着批量大小和输入长度增大，计划需求变得愈加非常，它对延伸的影响变得不那么权臣。(4)由于内存走访支出与模子的参数目鸿沟关系，weight-only quantization为参数鸿沟较大的模子提供了更大的自制。跟着模子的复杂度与尺寸的增长，存储和走访权重所需的内存量也会成比例地增多。通过量化模子权重，weight-only quantization可以有用地减少内存占用和内存走访支出。
5.2.2 稀疏化（Sparsification）稀疏化是一种压缩时期，可以增多数据结构(如模子参数或激活)中零值元素的比例。该方法通过在计划过程中有用地忽略零元素来贬抑计划复杂度和内存占用。在应用到大模子中时，稀疏化平方应用于权重参数和细心力激活。这导致了权值修剪战术和稀疏细心力机制的发展。
权重修剪（Weight Pruning）：权值修剪系统地从模子中去除不太要津的权值和结构，旨在减少预填充阶段息争码阶段的计划和内存资本，而不会权臣影响性能。这种稀疏化方法分为两种主要类型：非结构化修剪和结构化修剪。它们的分类基于修剪过程的粒度，如图10所示。
图片
图10：非结构化修剪和结构化修剪非结构化修剪以细粒度修剪单个权重值。与结构化修剪比较，它平方在对模子展望影响最小的情况下已毕更高的稀疏度。关联词，通过非结构化剪枝已毕的稀疏模式坚苦高等次的规章性，导致不规定的内存走访和计划模式。这种不规章会严重不容硬件加速的后劲，因为当代计划架构针对密集、规定的数据进行了优化。因此，尽管已毕了更高的稀疏度级别，但非结构化剪枝在硬件遵守和计划加速方面的试验自制可能是有限的。
权值修剪的焦点是修剪标准，包括权重要害性和修剪比例。计议到大模子的参数鸿沟巨大，提高剪枝遵守也至关要害。一个修剪准则是最小化模子的重建赔本。SparseGPT是该领域的代表性方法。它顺从OBS的念念想，计议去除每个权值对汇聚重构赔本的影响。OBS迭代地笃定一个剪枝掩模对权值进行剪枝，并重建未剪枝的权值以赔偿剪枝赔本。SparseGPT通过最优部分更新时期克服了OBS的遵守瓶颈，遐想了一种基于OBS重构过错的自稳当掩码遴荐时期。Prune and Tune通过在修剪过程中使用最少的老师门径微调大模子来纠正SparseGPT。ISC结合OBS和OBD中的权臣性标准遐想了一种新的修剪标准。该算法进一步把柄Hessian信息为每一层分派非均匀剪枝比例。BESA通过重构赔本的梯度下落学习一个可微的二值掩码。每一层的剪枝比轮番通过最小化重建过错来笃定。另一种流行的修剪标准是基于大小缺定。Wanda提议使用权值与输入激活范数之间的元素积当作修剪准则。RIA通过使用相对要害性和激活度的度量来合股计议权重和激活度，该度量基于其整个联结的权重来评估每个权重元素的要害性。此外，RIA将非结构化稀疏范式转念为结构化N:M稀疏范式，可以在NVIDIA GPU上赢得试验的加速。OWL侧重于笃定各层的剪枝比例。它把柄激活特别值比率为每一层分派剪枝比率。
与非结构化修剪比较，结构化修剪以更粗的粒度操作，修剪模子中较大的结构单位，例如整个这个词通说念或层。这些方法凯旋促进了在传统硬件平台上的推理加速，因为它们与这些系统优化处理的密集、规定的数据范式保抓一致。关联词，结构化修剪的粗粒度平方会对模子性能产生更彰着的影响。这类修剪标准还强制实践结构化修剪模式。LLM-Prune提议了一种任务不可知的结构化修剪算法。具体来说，它起首把柄神经元之间的联结依赖关系识别出大模子中的偶联结构。然后，它把柄遐想细密的组级别的修剪度量来决定要删除哪些结构组。修剪后，进一步提议通过一个高校参数老师时期，如LoRA来往复模子性能。 Sheared LLaMA提议将原始大模子修剪为现存预老师大模子的特定目的架构。此外，它遐想了动态批数据加载时期来提高post-training 性能。
ZipLM迭代地识别和修剪结构组件，在损成仇运行时期之间进行最坏的量度。LoRAPrune为带有LoRA模块的预老师大模子提议了结构化修剪框架，以已毕基于LoRA的模子的快速推理。它遐想了基于LoRA的权值和梯度的由LoRA辅导的剪枝准则，并遐想了基于该准则去除不要害权值的迭代剪枝决策。LoRAShear还为基于LoRA的大模子遐想了一种修剪方法，该方法领受(1)图算法来识别最小的去除结构，(2)渐进式结构化剪接算法LHSPG，(3)动态常识回复机制来往复模子性能。SliceGPT[174]基于RMSNorm操作的计划不变性念念想。它提议在每个权值矩阵中对稀疏性进行结构化陈设，并对整个这个词行或列进行切片。PLATON[提议通过计议权重的要害性和不笃定性来修剪权重。它使用要害性分数的指数转移平均(Exponential Moving Average，EMA)来算计要害性，对不笃定性领受上置信度界(UCB)。SIMPLE提议通过学习相应的稀疏掩码来修剪细心头、FFN神经元和遮蔽维度。在进行剪枝后，进一步领受常识精馏对剪枝后的模子进行微调，已毕性能回复。
稀疏细心力（Sparse Attention）：Transformer多头自细心力(MHSA)组件中的稀疏细心时期可以战术性地不详某些细心运算，以提高细心运算的计划遵守，主如果在预填充阶段。这些机制把柄对特定输入数据的依赖程度分为静态和动态两类。
静态稀疏细心力去除了安靖于特定输入的激活值。这些方法事前笃定了稀疏的细心力掩码，并在推理过程中将其强加于细心力矩阵。以前的操办职业结合了不同的稀疏模式来保留每个细心力矩阵中最基本的元素。如图11(a)所示，最常见的稀疏细心力模式是局部和全局细心模式。腹地细心力范式拿获每个token的腹地高低文，并在每个token周围诞生固定大小的窗口细心。全局细心力范式通过计划和体恤整个这个词序列中的整个token来拿获特定token与整个其他token之间的关系性。欺诈全局模式可以甩掉存储未使用的token的KV对的需要，从而减少了解码阶段的内存走访资本和内存使用。Sparse Transformer将这些模式结合起来，用腹地模式拿获腹地高低文，然后每隔几个单词就用全局模式团员信息。StreamingLLM只对前几个token应用腹地模式和全局模式。落幕标明，这种全局模式当作细心力漕，保抓了对脱手象征的强细心得分。它有助于大模子推广到无穷输入序列长度。Bigbird也使用就怕模式，其中整个token都参加一组就怕token。阐述了局部模式、全局模式和就怕模式的组合可以封装整个连气儿序列到序列的函数，并说明了其图灵完备性。如图11(b)所示，Longformer还引入了扩张的滑动窗口模式。它近似于扩张的CNN，使滑动窗口“扩张”以增多接纳野。为了使模子稳当稀疏诞生，Structured sparse Attention提倡一种熵感知的老师方法，将高概率的细心力值聚拢到更密集的区域中。与以往手工遐想稀疏模式的操办不同，SemSA使用基于梯度的分析来识别要害的细心模式，并自动优化细心密度分散，进一步提高模子遵守。
图片
图11：不同的稀疏细心力掩码例如比较之下，动态稀疏细心力把柄不同的输入自稳当地甩掉激活值，通过实时监测神经元的激活值来绕过对神经元的影响可以忽略的计划，从云尔毕修剪。大多数动态稀疏细心方法领受动态token修剪方法，如图11(c)所示。Spatten、SeqBoat和Adaptive Sparse Attention欺诈谈话结构的固有冗余提议动态象征级修剪战术。Spatten通过汇总细心力矩阵列来评估每个单词的积聚要害性，并在背面的层中从输入中对具有最小积聚要害性的token进行修剪。SeqBoat老师了一个线性景况空间模子(State Space Model， SSM)，该模子带有一个稀疏的sigmoid函数，以笃定每个细心力头需要修剪哪个token。Spatten和SeqBoat都对整个这个词输入的无信息的token进行了修剪。自稳当稀疏细心力在生成过程中缓缓修剪token。它去除了高低文中，在异日生成不再需要的部分。
除了动态token修剪，动态细心力修剪时期也被应用。如图11(d)所示，这些方法不是修剪某些token的整个细心力值，而是把柄输入动态地修剪细心力的遴荐部分。在关系职业中，一个较为可以的方法是动态地将输入token分红组，称为桶，并战术性地不详驻留在单独桶中的token的细心力计划。这些方法的重点在于怎么将关系的token聚类在一齐，来促进它们之间的细心力计划，从而提高遵守。Reformer欺诈位置明锐的哈希来将分享调换哈希码的key和query聚拢到吞并个桶中。在此之后，Sparse Flash Attention引入了特地针对这种基于哈希的稀疏细心力机制进行优化的GPU内核，进一步提高了计划遵守。同期，Routing Transformer领受球形k-means聚类算法将token团员到桶中，优化了细心力计划的遴荐过程。Sparse Sinkhorn Attention领受学习排序汇聚将key与其关系的query桶对皆，确保仅在相应的query和key对之间计划细心力。与桶级操作不同，H2O引入了token级动态细心力修剪机制。它将静态腹地细心力与刻下query和一组动态象征的key token之间的动态计划结合起来，称作heavy-hitters(H2)。这些 heavy-hitters通过移除战术进行径态调整，该战术旨在在每个生成门径中删除最不要害的key，从而有用地不停heavy-hitter集的大小和关系性。
此外，将每个token视为图节点，将token之间的细心力视为边，可以扩展静态稀疏细心力的视角。原始的全细心力机制等同于一个均匀最短旅途距离为1的完整图。稀疏细心力通过其就怕掩码引入就怕边，有用地将任意两个节点之间的最短旅途距离减小到，从而保抓近似于十足细心的高效信息流。Diffuser欺诈图论的视角，通过多跳token关联来扩展稀疏细心的接纳场。它还从扩展图属性中赢得灵感，以遐想更好的稀疏模式，以近似全细心力的信息流。
除了细心力级和token级的稀疏性除外，细心力修剪的范围扩展到各样粒度。Spatten还将修剪从token粒度扩展到细心力头粒度，甩掉了不必要的细心力头的计划，以进一步减少计划和内存需求。
5.2.3 架构优化（Structure Optimization）架构优化的目的是从新界说模子的体紧缚构或者架构，以提高模子遵守和性能之间的平衡。关系职业中有两种非常的时期：神经结构搜索(Neural Architecture Search， NAS)和低秩领悟(Low Rank Factorization， LRF)。
神经结构搜索(Neural Architecture Search)：神经架构搜索(Neural Architecture Search， NAS)旨在自动搜索在遵守和性能之间达到最好平衡的最优神经架构。AutoTinyBERT欺诈one-shot神经架构搜索(NAS)来发现Transformer架构的超参数。值得细心的是，它引入了一种引东说念主详细的批处理老师方法来老师超等预老师谈话模子(SuperPLM)，随后使用进化算法来识别最优子模子。NAS-BERT使用一些翻新时期，如块级别搜索、搜索空间修剪和性能贴近，在传统的自监督预老师任务上老师大型超等汇聚。这种方法允许NAS-BERT有用地应用于各样下贱任务，而不需要多量的从新老师。通过NAS进行结构剪枝将结构剪枝当作一个多目的NAS问题，通过一次性的NAS方法进行贬责。LiteTransformerSearch提议使用不需要老师的方针，例如参数的数目当作代理方针来率领搜索。这种方法可以有用地探索和遴荐最优的体紧缚构，而不需要在搜索阶段进行试验的老师。AutoDistil提议了一种十足与任务无关的few-shot NAS算法，该算法具有三种主要时期：搜索空间辞别、与任务无关的SuperLM老师和与任务无关的搜索。这种方法的目的是促进跨各样任务的高效体紧缚构发现，并减少特定于任务的调整。平方，NAS算法需要评估每个采样架构的性能，这可能会产生多量的老师资本。因此，这些时期在应用于大模子时具有挑战性。
低秩领悟(Low Rank Factorization)：低秩领悟(LRF)或低秩领悟(Low Rank Decomposition)的目的是用两个低秩矩阵和近似一个矩阵:
其中比和小得多。这么，LRF可以减少内存使用，提高计划遵守。此外，在大模子推理的解码阶段，内存走访资本是解码速率的瓶颈。因此，LRF可以减少需要加载的参数数目，从而加速解码速率。LoRD炫夸了压缩大模子的后劲，而不贯通过LRF大幅贬抑性能。具体来说，领受奇异值领悟(SVD)对权重矩阵进行因式领悟，得手地将一个包含16B个参数的大模子压缩为12.3B，性能小幅度下落。TensorGPT引入了一种使用Tensor-Train Decomposition来压缩embedding层的方法。每个token embedding都被视为矩阵乘积景况(Matrix Product State， MPS)，并以分散式方式高效计划。LoSparse结合了LRF和权值剪枝在LLM压缩中的优点。通过欺诈低秩近似，LoSparse贬抑了凯旋进行模子修剪平方会丢失太多抒发神经元的风险。LPLR和ZeroQuant-V2都提议了对权矩阵进行LRF和量化同期压缩的方法。DSFormer提议将权重矩阵领悟为半结构化稀疏矩阵与一个微型密集型矩阵的乘积。ASVD遐想了一个激活感知的奇异值领悟方法。该方法包括在应用奇异值领悟进行矩阵领悟之前，把柄激活分散缩放权重矩阵。ASVD还包括通过一个搜索进度笃定每个层的合适的截断秩。
5.2.4 常识蒸馏（Knowledge Distillation）常识蒸馏(Knowledge Distillation， KD)是一种进修的模子压缩时期，其中来首肯型模子(称为teacher模子)的常识被转移到较小的模子(称为student模子)。在大模子的配景下，KD使用原始的大模子当作teacher模子来提真金不怕火较小的大模子。面前好多操办都集中在怎么有用地将大模子的各样才智转移到更小的模子上。在这个领域，方法可以分为两种主要类型：白盒KD和黑盒KD(如图12所示)。
图片
图12：白盒KD（左）与黑盒KD（右）透露图白盒KD（White-box KD）：白盒KD指的是欺诈对teacher模子的结构和参数的走访的蒸馏方法。这些方法使KD能够有用地欺诈teacher模子的中间特征和输出概率来增强student模子的性能。MiniLLM领受标准白盒KD方法，但将正向Kullback-Leibler divergence(KLD)替换为反向KLD。GKD引入了对 on-policy数据的使用，其中包括由student模子自身生成的输出序列，以进一步蒸馏学生模子。该方法侧重于使用这些战术数据来对皆teacher和student模子之间的输出概率。TED提议了一种任务感知的层级别的方法，包括结合额外的检索分层KD方法。这种方法包括在teacher和student模子的每一层之后添加过滤器，老师这些特定任务的过滤器，然后冻结teacher模子的过滤器，在老师student过滤器以使其输出特征与相应的teacher过滤器对皆时。MiniMoE通过使用混杂大众(MoE)模子当作student模子来缓解才智差距。对于新出现的实体，预老师谈话模子可能坚苦最新的信息。为了贬责这个问题，一种贬责决策是将额外的检索文本合并到领导中，尽管这会增多推理资本。另外，KPTD通过常识蒸馏将常识从实体界说转移到大模子参数。该方法生成一个基于实体界说的传输集，并索要student模子，以便将输出分散与基于这些界说的teacher模子相匹配。
黑盒KD（Black-box KD）：黑盒KD是指teacher模子的结构和参数不可获取的常识蒸馏方法。平方，黑箱KD只使用teacher模子得到的最终落幕来蒸馏student模子。在大模子领域，黑箱KD主要辅导student模子学习大模子的泛化才智和浮现才智，包括InContext Learning (ICL)才智、 念念维链(Chain-of-Thought， CoT)推理才智和Instruction Following (IF)才智。在ICL才智方面，Multitask-ICT引入了高低体裁习蒸馏(in-context learning distillation)来转移大模子的多任务few-shot才智，同期欺诈高低体裁习息兵话建模才智。MCKD不雅察到，从通过语境学习得到的teacher模子中提真金不怕火出来的student模子，在看不见的输入prompt上往往推崇优异。基于这一不雅察，MCKD遐想了一个多阶段蒸馏范式，其中使用前阶段的student模子为后续阶段生成蒸馏数据，从而提高了蒸馏方法的有用性。为了提真金不怕火念念维链(CoT)推理才智，诸如 Distilling Step-by-Step、SCoTD、CoT prompt、MCC-KD和Fine-tune-CoT等几种时期提议了提真金不怕火方法，将从大模子中索要的反应和基本旨趣结合起来老师student模子。 Socratic CoT也将推理才智转移到较小的模子。具体来说，它对一双student模子进行了微调，即问题生成(QG)模子和问题回答(QA)模子。QG模子被老师成基于输入问题生成中间问题，率领QA模子生成最终的回答。PaD不雅察到作假的推理(即正确的最终谜底但作假的推理门径)可能对student模子无益。为了贬责这个问题，PaD建议生成合成表率用于推理问题，然后由附加的解释器自动查验。这种方法有助于去除带有作假推理的蒸馏数据，提高student模子老师数据的质料。
5.2.5 动态推理动态推理触及在推理过程中自稳当遴荐模子子结构，其以输入数据为条目。此末节重点先容early exiting的时期，这些时期使大模子能够把柄特定的样本或token在不同的模子层罢手其推理。值得细心的是，诚然MoE时期(在第5.1.1节中考虑)也会在推理过程中调整模子结构，但它们平方触及高尚的预老师资本。比较之下，这些时期只需要老师一个小模块来笃定何时收尾推理。本文将此类操办分为两大类：样本级别的early exiting和token级别的early exiting(如图13所示)。
图片
图13：token级别和样本级别的动态推理透露图样本级别：样本级别的early exiting时期侧重于笃定用于单个输入样本的大模子的最好大小和结构。一种常见的方法是在每一层之后使用额外的模块来扩展大模子，欺诈这些模块来决定是否在特定层拒绝推理。FastBERT， DeeBERT， MP和MPEE凯旋老师这些模块来把柄刻下层的特征作念出决策(例如，输出0接续或输出1罢手)。Global Past-Future Early Exit提议了一种方法，欺诈来自前一层和后一层的谈话信息丰富这些模块的输入。计议到在推理过程中不成凯旋走访异日层的特征，论文老师了一个浮浅的前馈层来算计这些异日特征。PABEE老师模块来当作凯旋展望的输出面，建议在展望保抓一致时拒绝推理。HASHEE领受了一种非参数决策方法，该方法基于相似样本应在吞并层退出推理的假定。
Token级别：在大模子推理的decodig阶段，轮番生成token，token级别的early exiting时期旨在优化用于每个输出token的大模子的大小和结构。CALM在每个Transformer层之后引入early exit分类器，老师它们输出置信度分数，以笃定是否在特定层罢手推理。值得细心的是，在self-attention模块中，计划每层刻下token的特征依赖于吞并层中整个先前token的特征(即KV cache)。为了贬责由于先前token early exit而导致KV cache丢失的问题，CALM建议凯旋将该特征从现存层复制到后续层，实验落幕炫夸惟有细小的性能下落。SkipDecode贬责了先前早期存在的方法的局限性，这些方法不容了它们对批处理推理和KV cache的适用性，从而胁制了试验的加速增益。对于批处理推理，SkipDecode为批处理中的整个token提议了一个合股的退出点。对于KV cache，SkipDecode确保了exit point的单调减少，以戒备KV缓存的从新计划，从而促进了推理过程中的遵守提高。
5.3 意志，建议和异日场地在高效结构遐想方面，寻找替代Transformer的结构是一个新兴的操办领域。例如，Mamba、RWKV过甚各自的变种在各样任务中推崇出了竞争力，比年来引起了越来越多的体恤。关联词，侦察这些非Transformer模子与Transformer模子比较是否会推崇出某些污点仍然是关系的。同期，探索非transformer架构与细心力操作的集成是异日另一个有但愿的操办场地。
在模子压缩领域，量化当作在大模子部署中使用的主要方法脱颖而出，主如果由于两个要津身分。起首，量化提供了一种便捷的压缩大模子的方法。例如，使用Post-Training Quantization(PTQ)方法可以在几分钟内将具有70亿个参数的大模子的参数数分钟内减少到压缩阵势。其次，量化具有已毕内存虚耗和推理速率大幅贬抑的后劲，同期只引入了很小的性能折损。对于好多试验应用，这种折损平方被以为是可以接纳的。关联词，值得细心的是，量化仍然可能会损伤大模子的某些突发才智，例如自校准或多步推理。此外，在处理长高低文等特定场景中，量化可能导致权臣的性能下落。因此，在这些特殊情况下，需要仔细遴荐稳当的量化方法来平缓这种退化的风险。多量文件操办了稀疏细心力时期在长高低文处理中的应用。例如，最近的一项代表性职业StreamingLLM仅通过回复几个细心力汇token就可以处理400万个token。尽管如斯，这些方法往往会点火要津信息，从而导致性能下落。因此，在有用不停长高低文的同期保留基本信息的挑战仍然是异日探索的一个要害领域。至于权值修剪时期，LLM-KICK指出，即使在相对较低的稀疏度比下，刻下首先进的(SOTA)方法也会出现止境大的性能下落。因此，开发有用的权值修剪方法来保抓大模子性能仍然是一个新兴和要津的操办场地。
模子结构的优化平方触及使用神经结构搜索(NAS)，这平方需要多量的计划资源，这对其在压缩大模子中的试验应用组成了潜在的贫乏。因此，关系操办领受自动结构优化进行大模子压缩的可行性值得进一步探索。此外，像低秩领悟(LRF)这么的时期在压缩比和任务性能之间已毕最好平衡仍然是一个挑战。例如，ASVD在不影响大模子推理才智的情况下，只可已毕限度的10%到20%的压缩比。
除了领受单独的模子压缩时期外，一些操办还探索了不同方法的组合来压缩大模子，欺诈各自的上风来提高遵守。例如，MPOE将权重矩阵领悟特地应用于基于MoE的大模子中的大众前馈汇聚(FFNs)，目的是进一步贬抑内存需求。LLM-MQ欺诈权值稀疏性时期在模子量化过程中保护权值特别值，从而最大限定地减一丝化过错。LPLR侧重于量化低秩领悟权重矩阵，以进一步贬抑大模子推理过程中的内存占用和内存走访资本。此外，LoSparse将低秩领悟与权值剪枝相结合，欺诈剪枝增强低秩近似的各样性，同期欺诈低秩领悟保留要害权值，戒备要津信息丢失。这些方法强调了集成多种压缩时期以更好地优化大模子的后劲。
6 系统级别优化大模子推理的系统级优化主要触及增强模子前向传递。计议到大模子的计划图，存在多个算子，其中细心力算子和线性算子占据了大部分的运行时期。如2.3节所述，系统级优化主要计议大模子中细心算子息争码方法的专有特征。特别是，为了贬责大模子解码方法的具体问题，线性算子需要特殊的平铺遐想，推测解码方法也被提议以提高欺诈率。此外，在在线服务的高低文中，肯求平方来自多个用户。因此，除了前边考虑的优化除外，在线服务还濒临着与异步肯求引起的内存、批处理和调理关系的挑战。
6.1 推理引擎面前对推理引擎的优化主要在于加速模子上前推理过程。对大模子推理中的主要算子和计划图进行了高度优化。此外，为了在不贬抑性能的前提下提高推理速率，推测解码时期也被提议。
6.1.1 图和计划优化运行时期分析：通过HuggingFace，作家用不同的模子和高低文长度来分析推理运行时期。图15的分析落幕标明，细心力计划和线性计划占据了运行时期的绝大部分，它们平方跳动推理抓续时期的75%。因此，大部分优化职业都竭力于提高两个操作的性能。此外，有多个操作符占用了一小部分运行时期，这使得操作符的实践时期瓜剖豆分，增多了CPU端的内核启动资本。为了贬责这个问题，在图计划级别，刻下优化的推理引擎已毕了高度贯通的算子。
细心力计划优化：标准的细心力计划(例如，使用Pytorch)包含矩阵Q与矩阵(K)的乘法，这导致时期和空间复杂度与输入序列长度呈现二次增长。如图15所示，细心力计划操作的时期占比跟着高低文长度的增多而增多。这意味着对内存大小和计划才智的要求很高，特别是在处理长序列时。为了贬责GPU上标准细心力计划的计划和内存支出，定制化细心力计划是必不可少的。FlashAttention将整个这个词细心力操作贯通为一个单一的、内存高效的操作，以平缓内存走访支出。输入矩阵(Q， K， V)和细心力矩阵被平铺成多个块，从而甩掉了完整数据加载的需要。FlashDecoding诞生在Flash Attention的基础上，旨在最大限定地提高解码的计划并行性。由于译码方法的应用，Q矩阵在decoding过程中会退化为一批向量，如果并行度仅限于batch大小维度，则很难填充计划单位。FlashDecoding通过在序列维度上引入并行计划来贬责这个问题。诚然这会给softmax计划带来一些同步支出，但它会权臣提高并行性，特别是对于小批量大小和长序列。随后的职业FlashDecoding++不雅察到，在之前的职业中，softmax内的最大值仅当作戒备数据溢出的比例因子。关联词，动态最大值会导致权臣的同步支出。此外，多量实验标明，在典型的大模子(如Llama2， ChatGLM)中，跳动99.99%的softmax输入在一定范围内。因此，FlashDecoding++提议基于统计数据提前笃定比例因子。这甩掉了softmax计划中的同步支出，使后续操作能够在softmax计划的同期并行实践。
线性计划优化：线性算子在大模子推理、特征投影和前馈神经汇聚(FFN)中阐发着要津作用。在传统神经汇聚结，线性算子可以抽象为通用矩阵-矩阵乘法(General Matrix-Matrix Multiplication， GEMM)运算。关联词，对于大模子，decoding方法的应用导致维度的彰着贬抑，与传统的GEMM职业负载不同。传统GEMM的底层已毕得到了高度优化，主流大模子推理框架(例如，DeepSpeed ， vLLM， OpenPPL等)主要调用cuBLAS为线性算子提供的GEMM API接口。
如果莫得针对贬抑维数的GEMM明笃定制的已毕，decoding过程中的线性计划将会遵守低下。在最新版块的TensorRT-LLM中可以不雅察到贬责该问题的issue。它引入了专用的通用矩阵向量乘法(General Matrix-Vector Multiplication， GEMV)已毕，潜在地提高了decoding门径的遵守。最近的操办FlashDecoding++作念了进一步的纠正，在解码门径中处理小批量数据时，贬责了cuBLAS和CUTLASS库的低遵守问题。该操办的作家起首引入了FlatGEMM操作的见识，以高度贬抑的维度(FlashDecoding++中的维数< 8)来透露GEMM的职业负载。由于FlatGEMM具有新的计划性情，传统GEMM的平铺战术需要进行修改。作家不雅察到，跟着职业负载的变化，存在两个问题：低并行性和内存走访瓶颈。
为了贬责这些问题，FlashDecoding++领受了细粒度平铺战术来提高并行性，并欺诈双缓冲时期来遮蔽内存走访延伸。此外，刻下经典大模子(例如，Llama2， ChatGLM)中的线性操作平方具有固定的阵势，FlashDecoding++诞生了启发式遴荐机制。这个机制把柄输入大小在不同的线性运算符之间进行径态地遴荐转念。这些选项包括FastGEMV、FlatGEMM和由cuBLAS库提供的GEMM。这种方法确保为给定的线性职业负载遴荐最有用的计划操作，从而可能导致更好的端到端性能。
比年来，应用MoE FFN来增强模子才智已成为大模子操办的一种趋势。这种模子结构也对算子优化提议了新的要求。如图15所示，在具有MoE FFN的Mixtral模子中，由于HuggingFace已毕中未优化FFN计划，线性算子在运行时占主导地位。此外，Mixtral领受了GQA细心结构，其贬抑了细心力算子的运行时期比例，进一步指出了对优化FFN层要紧需要。MegaBlocks是第一个针对MoE FFN层优化计划的算法。该职业将MoE FFN计划制定为块稀疏操作，并提议了用于加速的定制GPU内核。MegaBlocks专注于MoE模子的有用老师，因此忽略了推理的特征(例如，解码方法)。现存框架正在奋力优化MoE FFN推理阶段的计划。vLLM的官方在Triton中集成了MoE FFN的贯通内核，无缝地甩掉了索引支出。
图片
图14：大模子推理引擎优化分类图片
图15：多个大模子的推理运行时期分析图级别的优化：核贯通当作一种流行的图级优化脱颖而出，因为它能够减少运行时期。应用核贯通有三个主要优点：(1)减少内存走访。贯通内核从内容上甩掉了中间落幕的内存走访，平缓了计划操作的内存瓶颈。(2)平缓内核启动支出。对于一些轻量级操作(如残差add)，内核启动时期占据了大部分延伸，内核贯通减少了单个内核的启动。(3)增强并行性。对于那些没稀有据依赖的运算符，当单个内核实践无法填充硬件容量时，通过贯通已毕内核并行是成心的。
核贯通时期被阐述对大模子推理是有用的，具有上述整个优点。FlashAttention将细心力运算符表述成一个单一的内核，甩掉了走访细心力落幕的支出。基于细心力算子是内存有限的这一事实，内存走访的减少能有用地滚动为运行时加速。ByteTransformer和DeepSpeed提议将包括残差加法、层模和激活函数在内的轻量级算子贯通到前方性算子中，以减少内核启动支出。
和DeepSpeed[236]提议将包括残差add、layernorm和激活函数在内的轻量级算子贯通到前边的线性算子中，以减少内核启动支出。因此，这些轻量级操作符在时期轴上隐匿，实在莫得额外的延伸。此外，还领受核贯通来提强大模子推理的欺诈率。Q、K和V矩阵的投影变换蓝本是三个单独的线性运算，并贯通成一个线性运算符部署在当代GPU上。面前，核贯通时期仍是应用于大模子推理实践中，高度优化的推理引擎在运行时只使用少数贯通核。例如，在FlashDecoding++已毕中，一个transformer块仅集成了七个贯通的内核。欺诈上述运算符和内核贯通优化，FlashDecoding++已毕了在HuggingFace高达4.86倍的加速。
6.1.2 推测解码推测解码（如投契采样）是一种用于自记忆大模子的翻新解码时期，旨在提高解码遵守，同期不影响输出的质料。这种方法的中枢念念想包括使用一个较小的模子(称为草稿模子)来有用地展望几个后续token，然后使用目的大模子并行考证这些展望。该方法旨在使大模子能够在单个推理平方所需的时期范围内生成多个token。图16炫夸了传统自记忆解码方法与推测解码方法的比较。表面上，推测解码方法包括两个门径：
1)草稿构建：领受草稿模子，以并行或自记忆的方式生成多个后续token，即Draft token。 2)草案考证：欺诈目的模子在单个大模子推理门径上钩算整个草稿token的条目概率，随后轮番笃定每个草稿token的接纳程度。接纳率透露每个推理门径接纳的草稿token的平均数目，是评估推测解码算法性能的要津方针。
图片
图16：自记忆解码（a）和推测解码（b）对比推测解码确保了输出与自记忆解码方法的质料平等。传统解码时期主要使用两个采样方法：greedy sampling和 nucleus sampling。greedy sampling触及在每个解码门径中遴荐概率最高的令牌来生成特定的输出序列。推测解码的领先职业，被称为Blockwise Parallel Decoding，旨在确保草草稿token与通过greedy sampling的token已毕精准匹配，从而保抓输出令牌等价。比较之下，nucleus sampling触及从概率分散中抽样token，每次运行都会产生不同的token序列。这各样种性使得nucleus sampling很受迎接。为了在推测解码框架内容纳nucleus sampling，仍是提议了投契采样时期。投契采样保抓输出分散不变，与nucleus sampling的概轻易质一致，以产生不同的象征序列。阵势上，给定一个token序列和一个草稿token序列，投契采样战术以以下概率接纳第i个草稿token：
其中庸分别代表来自目的大模子和草稿模子的概率分散。如果第个token被接纳，它设定为。另外，它退出草稿token的考证，并从底下的分散中进行的重采样：
基于投契采样，出现了几种变体，旨在考证多个草稿token序列。值得细心的是，在这种情况下，token tree verfier已成为一种平淡领受的考证战术。这种方法欺诈草稿token集的树状结构透露，并领受树细心力机制来有用地实践考证过程。
在推测解码方法中，草稿token的接纳率受到草稿模子的输出分散与原始大模子的输出分散的一致程度的权臣影响。因此，多量的操办职业都是为了纠正草稿模子。DistillSpec凯旋从目的大模子中索要较小的草稿模子。SSD包括从目的大模子中自动识别子模子(模子层的子集)当作草稿模子，从而甩掉了对草稿模子进行单独老师的需要。OSD动态调整草稿模子的输出分散，以匹配在线大模子服务中的用户查询分散。它通过监视来首肯模子的被拒却的草稿token，并使用该数据通过蒸馏来纠正草稿模子来已毕这一丝。PaSS提议欺诈目的大模子自身当作草稿模子，将可老师的token(look -ahead token)当作输入序列，以同期生成后续token。REST引入了一种基于检索的推测解码方法，领受非参数检索数据存储当作草稿模子。SpecInfer引入了一种集体提高调优时期来对皆一组草稿模子的输出分散通过目的大模子。Lookahead decoding 包含大模子生成并行的生成n-grams来生成草稿token。Medusa对大模子的几个头进行微调，特地用于生成后续的草稿token。Eagle领受一种称为自记忆头的轻量级Transformer层，以自记忆的方式生成草稿token，将目的大模子的丰富高低文特搜集成到草稿模子的输入中。
另一项操办侧重于遐想更有用的草稿构建战术。传统的方法平方产生单一的草稿token序列，这对通过考证提议了挑战。对此，Spectr主张生成多个草稿token序列，并领受k-sequential草稿遴荐时期并发考证k个序列。该方法欺诈推测抽样，确保输出分散的一致性。近似地，SpecInfer领受了近似的方法。关联词，与Spectr不同的是，SpecInfer将草稿token序列合并到一个“token tree”中，并引入了一个用于考证的树形细心力机制。这种战术被称为“token tree verifier”。由于其有用性，token tree verifier在稠密推测解码算法中被平淡领受。除了这些奋力除外，Stage Speculative Decoding和Cascade Speculative Drafting(CS Drafting)建议通过将投契解码凯旋集成到token生成过程中来加速草稿构建。
对比实验与分析：论文作家通过实验来评估推测解码方法的加速性能。具体来说，作家对该领域的操办进行了全面的追思，并遴荐了其中6个仍是开源的代码进行操办，分别是：Speculative Decoding (SpD)、Lookahead Decoding (LADE)、REST、Self-speculative Decoding (SSD)、Medusa和Eagle。对于评估数据集，使用Vicuna-80对上述方法进行评估，该数据集包含80个问题，分为10类。这80个问题的平均落幕当作输出。对于目的大模子，作家领受了五个主流的开源大模子，分别是Vicuna-7B-V1.3、Vicuna-13B-V1.3、Vicuna-33B-V1.3、LLaMA-2-7B和LLaMA-2-13B。作家展示了这5个大模子的评估方针范围。对于草稿模子，作家对SpD领受了两个个老师好的草稿模子，即LLaMA-68M和LLaMA-160M。对于其他推测解码方法，作家顺从它们提议的草稿构建方法和使用他们提供的权重。在评价方针方面，作家使用接纳率和加速率，接纳率是指接纳token数与生成步数之比，加速比是指在笃定输出总长度时，原始自记忆解码的延伸与推测解码的延伸之比。
表5提供了各样推测解码方法的比较，非常了几个要津不雅察落幕：(1) Eagle推崇出优异的性能，在多个大模子上已毕了3.47~3.72倍的端到端加速。为了集中它的得手，作家对Eagle的深远分析揭示了两个要津身分。起首，Eagle领受自记忆方法来解码草稿token，凯旋欺诈先前生成的token的信息。其次，Eagle集成了原始大模子和草案模子的先前token的丰富特征，以提高下一个草稿token生成的准确性。(2) token tree verifier被阐述在提高投契采样方法的性能中是有用的。(3)这些方法已毕的端到端加速往往低于接纳率。这种各异是由于与草稿模子关系的生成资本不可疏远的试验计议而产生的。
图片
表5：实验落幕6.2 推理服务系统推理服务系统的优化主要在于提高处理异步肯求的遵守。优化了内存不停以容纳更多的肯求，并集成了高效的批处理和调理战术以提高系统混沌量。此外，提议了针对分散式系统的优化方法，以充分欺诈分散式计划资源。
图片
图17：推理服务系统分类图6.2.1内存不停在大模子服务中，KV缓存的存储决定了内存的使用，特别是当高低文长度很永劫(参见第2.3节)。由于生成长度不笃定，提前分派KV cache存储空间很难。早期的已毕平方把柄每个肯求的预设最大长度事前分派存储空间。但是，在拒绝肯求生成的时，这种方法会导致存储资源的多量浪费。为了贬责这个问题，为了减少预分派空间的浪费，提议了为每个肯求展望生成长度的上界。
但是，当不存在如斯大的连气儿空间时，静态的KV缓存分派方式仍然是失败的。为了应答碎屑化存储，vLLM提议以操作系统的相貌，以分页的方式存储KV缓存。vLLM起首分派尽可能大的内存空间，并将其平均辞别为多个物理块。当肯求降临时，vLLM以不连气儿的方式动态地将生成的KV缓存映射到预分派的物理块。通过这种方式，vLLM权臣减少了存储碎屑，并在大模子服务中已毕了更高的混沌量。在vLLM的基础上，LightLLM使用了更细粒度的KV缓存存储，减少了不规定领域产生的浪费。LightLLM将token的KV缓存当作一个单位来处理，而不是一个块，因此生成的KV缓存老是使预分派的空间饱和。
刻下优化的推理服务系统平方领受这种分页方式来不停KV缓存存储，从而减少冗余KV缓存的浪费。关联词，分页存储导致细心力操作中的内存走访不规定。对于使用分页KV缓存的细心力算子，这就需要计议KV缓存的杜撰地址空间与其对应的物理地址空间之间的映射关系。为了提高细心力算子的计划遵守，必须对KV缓存的加载模式进行调整，以便捷连气儿存储器走访。例如，在vLLM的PagedAttention中，对于K cache，head大小维度的存储结构为16字节的连气儿向量，而FlashInfer为KV缓存编排了各样数据布局，并伴跟着稳当遐想的内存走访决策。细心力算子的优化与页面KV缓存存储的结合仍然是推理服务系统发展中的一个前沿挑战。
6.2.2 连气儿批处理批处理中的肯求长度可能不同，当较短的肯求完成而较长的肯求仍在运行时，会导致欺诈率较低。由于服务场景中的肯求具有异步性情，因此缓解这种低欺诈率的时期段是有可能的。基于此，连气儿批处理时期被提议，以便在一些旧肯求完成后对新肯求进行批处理。ORCA是在大模子服务端第一个这么作念的职业。
每个肯求的计划包含多个迭代，每个迭代透露预填充门径或解码门径。作家建议可以在迭代级别对不同的肯求进行批处理。此职业在线性操作符中已毕迭代级批处理，在序列维度中将不同的肯求联结在一齐。因此，与完成的肯求相对应的备用存储和计划资源被实时开释。继ORCA之后，vLLM将该时期扩展到细心力计划，使不同KV缓存长度的肯求能够批处理在一齐。Sarathi、DeepSpeed-FastGen和SarathiServe进一步引入了一种split-and-fuse方法，将预填充请乞降解码肯求批处理在一齐。具体来说，此方法起首在序列维度上拆分长预填充肯求，然后将其与多个短解码肯求批处理在一齐。该方法平衡了不同迭代之间的职业负载，并通过甩掉新肯求的延伸权臣减少了尾部延伸。LightLLM也领受了split-and-fuse方法。
6.2.3 Scheduling时期在大模子服务中，每个肯求的功课长度具有可变性，因此实践肯求的递次会权臣影响服务系统的混沌量。head-of-line blocking发生在长肯求被赋予优先级时。具体来说，对于长肯求，内存使用会赶紧增长，当系统内存容量耗尽时，会导致后续肯求受阻。ORCA和开源框架，包括vLLM和LightLLM，领受浮浅的先到先服务(FCFS)原则来调理肯求。DeepSpeed-FastGen则优先计议解码肯求以提高性能。FastServe提议了一种霸占式调理战术来优化列队阻拦问题，已毕大模子服务的低功课完成时期(JCT)。FastServe领受多级反馈部队(MLFQ)来优先处理剩余时期最短的肯求。由于自动记忆解码方法会产生未知的肯求长度，FastServe起首展望长度，并欺诈跳过联结方式为每个肯求找到稳当的优先级。与以往的职业不同，VTC考虑了大模子推理服务中的自制性。VTC引入了一个基于token数的资本函数来预计客户端之间的自制性，并进一步提议了一个自制调理表率来确保自制性。
6.2.4 分散式系统为了已毕高混沌量，大模子服务平方部署在分散式平台上。最近的职业还侧重于通过欺诈分散式特征来优化此类推理服务的性能。值得细心的是，预填充是计划密集型的，解码是内存密集型的，splitwise， TetriInfer和DistServe阐述了领悟肯求的预填充息争码门径的遵守。这么，两个不同的阶段就可以把柄各自的特色进行安靖的处理。SpotServe遐想用于在具有可霸占GPU实例的云上提供大模子服务。SpotServe有用地处理包括动态并行胁制和实例转移在内的挑战，而且还欺诈大模子的自记忆性情来已毕token级别的景况回复。此外，Infinite-LLM将vLLM中的分页KV缓存方法扩展到分散式云环境。
6.3 硬件加速器遐想以前的操办职业集中在优化Transformer架构，特别是优化细心力算子，平方领受稀疏方法来促进FPGA部署。与NVIDIA V100 GPU比较，FACT加速器通过线性运算的混杂精度量化和算法-硬件协同遐想已毕了特地的能效，而且这些方法不是为生成式大模子量身定制的。
近期的职业，如ALLO非常了FPGA在不停内存密集型解码阶段方面的上风。强调了模子压缩时期对大模子高效FPGA部署的要害性。相背，DFX侧重于解码阶段优化，但坚苦模子压缩方法，胁制了可扩展性在更大的模子和更长的输入(最多1.5B模子和256个token)。ALLO诞生在这些视力的基础上，进一步提供了一个可组合和可重用的高级合成(High-level Synthesis， HLS)内核库。与DFX比较，ALLO的已毕在预填充阶段展示了特地的生成加速，在解码时期已毕了比NVIDIA A100 GPU更高的能效和加速。
FlightLLM也欺诈了这些视力，引入了一个可设置的稀疏数字信号处理器(DSP)链，用于各样具有高计划遵守的稀疏模式。为了提高存储带宽欺诈率，提议了一种支抓混杂精度的片上译码决策。FlightLLM在Llama2-7B型号上已毕了比NVIDIA V100S GPU高6.0倍的能效和1.8倍的资本效益，解码时的混沌量比NVIDIA A100 GPU高1.2倍。
6.4 大模子推理框架对比作家对比了多个推理框架的性能，如表6所示。使用Llama2-7B(batch size=1，输入长度=1k，输出长度=128)测量推理混沌量。推理服务性能是在ShareGPT数据集上测量的最大混沌量。两者都基于单个NVIDIA A100 80GB GPU。在上述框架中，DeepSpeed、vLLM、LightLLM和TensorRT-LLM集成了推理服务功能，为来自多个用户的异步肯求提供服务。作家还在表格中列出了每个框架的优化。作家还在表中列出了针对每个框架的优化。除了HuggingFace外，整个框架都已毕了operator级别或图优化级别的优化以提高性能，其中一些框架还支抓推测解码时期。请细心，作家测量整个框架的推感性能时，莫得使用推测解码时期。推理混沌量的落幕标明，FlashDecoding++和TensorRT-LLM在覆盖主要算子和计划图的优化方面优于其他算法。在推理服务方面，各框架均领受细粒度、不连气儿存储方式进行KV缓存，并领受连气儿批处理时期提高系统欺诈率。与vLLM和LightLLM不同，DeepSpeed在调理中优先计议解码肯求，这意味着如果批处理中有实足的现存解码肯求，则不会合并新肯求。
图片
表6：开源推理框架性能对比6.5 意志，建议和异日场地系统级优化在不贬抑精度的同期提高了遵守，因此在大模子推理实践中越来越精深。对推理的优化也适用于服务。最近，operator优化仍是与试验服务场景精良结合，例如，特地为前缀缓存遐想的RadixAttention和加速推测解码考证的tree attention。应用和场景的迭代将无间对operator的发展提议新的要求。
计议到试验推理服务系统中固有的多方面庞的，例如JCT、系统混沌量和自制性，调理战术的遐想相应地变得复杂。在肯求长度不笃定的大模子服务领域，现存文件平方依赖于展望机制来促进调理战术的遐想。关联词，面前的展望器的有用性够不上设想的标准，这标明在服务调理战术开发中存在纠正和优化的后劲。
7 要津应用场景考虑面前的操办在探索跨各样优化级别的高效大模子推理的领域方面取得了紧要进展。关联词，需要进一步的操办来提强大模子在试验场景中的遵守。作家为数据级(第4.3节)、模子级(第5.3节)和系统级(第6.5节)的优化时期分析了有但愿的异日场地。在本节中，作家总结了四个要津场景：Agent and Multi-Model Framework、Long-Context LLMs、Edge Scenario Deployment和安Security-Efficiency Synergy，并对它们进行了更平淡的考虑。
av天堂电影网Agent and Multi-Model Framework：如4.3章所考虑，Agent 和Multi-Model框架的最近职业，通过欺诈大模子的强盛才智，权臣提高了Agent处理复杂任务和东说念主类肯求的才智。这些框架在增多大模子计划需求的同期，在大模子输出内容的结构中引入了更多的并行性，从而为数据级和系统级优化(如输出组织时期)创造了契机。此外，这些框架当然地引入了一个新的优化级别，即pipeline级别，它具有在该级别上提高遵守的后劲。
此外，越来越多的操办趋势侧重于将AI智能体扩展到多模态领域，平方使用多模态大模子(Large multimodal Models， LMM)当作这些Agent系统的中枢。为了提高这些新兴的基于LMM的智能体的遵守，为LMM遐想优化时期是一个很有出路的操办场地。
Long-Context LLMs：面前，大模子濒临着处理越来越长的输入高低文的挑战。关联词，自细心力操作(Transformer-style大模子的基本组成部分)推崇出与高低文长度关系的二次复杂度，对最大高低文长度施加了胁制在老师和推理阶段。各样战术仍是被探索了来贬责这一胁制，包括输入压缩(第4.1节)、稀疏细心力(第5.2.2节)、低复杂度结构的遐想(第5.1.3节)和细心算子的优化(第6.1.1节)。值得细心的是，具有次二次或线性复杂性的非transformer架构(第5.1.3节)最近引起了操办东说念主员的极大深嗜。
尽管它们遵守很高，但与Transformer架构比较，这些新架构在各样才智(如高低体裁习才智和长途建模才智)上的竞争力仍有待覆按。因此，从多个角度探索这些新架构的功能并贬责它们的局限性仍然是一个有价值的追求。此外，为各样场景和任务笃定必要的高低文长度，以及笃定将当作异日大模子基础撑抓的下一代架构，这一丝至关要害。
Edge Scenario Deployment：尽管提强大模子推理的遵守仍是有了好多职业，但将大模子部署到资源极其有限的旯旮开荒(如转移电话)上仍然存在挑战。最近，好多操办东说念主员对具有1B ~ 3B参数的较小谈话模子的预老师推崇出了深嗜。这种鸿沟的模子在推理过程中提供了更少的资源资本，而且与更大的模子比较，具有已毕泛化才智和竞争性能的后劲。关联词，开发如斯高效和强盛的微型谈话模子的方法仍然莫得得到充分的探索。
一些操办仍是开启了这个有但愿的场地。例如，MiniCPM通过沙盒实验来笃定最优的预老师超参数。PanGu-π-Pro建议使用来自模子修剪的矩阵和时期来脱手化预老师打磨谢谢的模子权重。MobileLLM在微型模子遐想中领受了“深而薄”的架构，并提议了跨不同层的权重分享，在不增多额外内存资本的情况下增多层数。关联词，小模子和大模子之间仍存在性能差距，需要异日的操办来缩小这一差距。异日，要紧需要操办怎么识别旯旮场景下的模子模范，并探索各样优化方法在遐想上的领域。
除了遐想较小的模子除外，系统级优化为大模子部署提供了一个有出路的场地。最近一个值得细心的姿首，MLC-LLM得手地在转移电话上部署了LLaMA-7B模子。MLC-LLM主要使用贯通、内存盘算和轮回优化等编译时期来增强延伸并贬抑推理时期的内存资本。此外，领受云旯旮妥洽时期或遐想更复杂的硬件加速器也可以匡助将大模子部署到旯旮开荒上。
Security-Efficiency Synergy：除了任务性能和遵守外，安全性亦然大模子应用中必须计议的要津身分。面前的操办主要集中在遵守优化方面，莫得充分贬责安全计议的操作。因此，操办遵守和安全性之间的相互作用，并笃定刻下的优化时期是否会损伤大模子的安全性是至关要害的。如果这些时期对大模子的安全性产生负面影响，一个有但愿的场地是开发新的优化方法或纠正现存的方法，以已毕大模子的遵守和安全性之间更好的量度。
8 总结高效的大模子推理侧重于减少大模子推理过程中的计划、内存走访和内存资本，旨在优化诸如延伸、混沌量、存储、功率和动力等遵守方针。作家在本综述中提供了高效大模子推理操办的全面追思，提议了要津时期的视力，建议和异日场地。起首，作家引入了包含数据级、模子级和系统级优化的分层分类法。随后，在这一分类方法的率领下，作家总结每个档次和子领域的操办。对于模子量化和高效服务系统等进修的时期，作家进行了实验来评估和分析它们的性能。在此基础上，提议了实践建议。为该领域的从业者和操办东说念主员提议建议并笃定有出路的操办蹊径。
备注：昵称-学校/公司-场地/会议(eg.ACL)，干涉时期/投稿群
id：DLNLPertwitter 露出，牢记备注呦
本站仅提供存储服务，整个内容均由用户发布，如发现存害或侵权内容，请点击举报。