肖彬：大模型推理框架升级之路.docx

大模型推理框架升级之路

肖彬

DataFunSummit#2024

我们将从四个优化专项介绍如何优化大模型推理框架性能量化

投机采样

TTFT与TPOT的优化通信优化

01

量化

量化作为大模型最重要的性能优化手段，能有效降低显存占用，降低访存量，充分利用计算资源以下是大模型计算流程：

Weight-int8+KV_cache_int8

最早上线的一个版本，显著降低显存占用，使得模型使用较少卡启动，增大服务承载能力，降低成本50%weight跟kvcache在推理框架占用显存为大头，优先优化能有效降低成本

Activationint8

A8是在w8/kv8基础上对gemm相关计算的输入激活进行量化，能有效降低gemm运算耗时，首token耗时下降50%，成本下降15%

Weight-int4+kv_cache-int4

Int4主要目标是将显存占用压至更低，能在低端卡型上部署并支持更长的序列，支持更大的batch，成本下降30%使用了类似quorat的技术，并结合marlin算子，针对性做了优化，已在多个业务落地，后续可能会有论文输出

Communicationint8

通信量化，降低低端卡通信耗时开销，首token耗时下降30%后续会有论文产出

AttentionQKVint8

将gemm计算全线转为int8计算

Q(int8)*K(int8)-softmax-V(int8)目前处于开发中

02

投机采样

投机采样就是利用decode过程算力冗余

使用额外的技术生成多个候选token同时输送给大模型并行验证，充分使用算力且不会增加额外太多的时延

1(大模型输出的最后一个token)+4(候选token)-一次验证通过4个token需要考虑云端大batch下候选token数量限制

Clover模型结构设计路线/abs/2405.00263

使用transformerblock前几层信息预测效果不好

尝试获取全局的信息

而不是仅仅当前预测token的信息

尝试attention结构

qk之争，h表示全局信息，不断吸收token_emb效果不错

单独建一层可学习的transformerblock收集全局信息

提升不错

尝试使用前置候选token信息

辅助后续token预测

通过ht+1=concat(token_emb,ht)效果提升有限

Sample策略

我们的目标是大batch场景下投机有效，要求的候选token仅仅为4，此时sample策略就影响很大了

开源的都是固定组合的形式，如head0top1+head1top1+head2top1，head0top2+head1top1+head2top1

动态构建候选token树，较为激进的贪心搜索策略

核心策略：

1.单token级别(保证树深度)

1.prob先进行topp丢弃

2.按照top1/4长尾小概率丢弃2.tokentree级别(子节点排序依据)

1.从根节点的联合概率排序

3.每层token预算数量(保证树最大宽度，防止计算量激增)1.去除所有父节点token数

Clover收益

命中率上提升50%+，端到端推理速度提升30%+

Clover2模型结构升级/abs/2408.00264

1.loss优化

仅仅根据CrossEntropyLoss预测token偏序关系，训练多轮，过拟合会出现对一些高频token增强概率的情况

增加数据蒸馏loss使得clover能更加关注与主模型的一致性上，而不是走捷径

2.主模型预测token信息前置，提前加入transformerblock，帮助更远的预测

Clover2模型结构升级

3.Regressiveattentionblockoutputprojector结构提升后几个head预测能力

4.增加AugmentingBlock层数，增强全局信息提取能力

AugmentingBlock位于第一个head之前只会跑一次，增加层数不会导致跑多次的问题，eagle增加层就会导致每个head都多跑，耗时会暴增

这为clover提供更多可能，可以设计更加复杂的AugmentingBlock，我们尝试最简单的加层获取收益

Clover2收益

clover为rnn为主的架构，但仍然能打败eagle这种以decodelayer为主的模型结构在各个数据集上都超过eagle

命中率最大提升7.7%，端到端推理速度最大提升9.3%

03

TTFTTPOT优化

首token耗时与decode每个token间耗时的平衡

驱动来源于用户体验上优化，当一个