老黄给H100打鸡血：英伟达推出大模型加速包，Llama2推理速度翻倍

克雷西 发自 凹非寺
量子位 | 公众号 QbitAI

大模型的推理速度，仅仅一个月就提高了一倍！

英伟达近日官宣给H100推出了“鸡血包”——专用于LLM推理的加速程序。

或许这下可以不用空等明年才能交付的GH200了（手动狗头）。

GPU的运算能力一直影响着大模型的表现，无论是硬件提供者还是使用者都希望能算得更快些。

而作为大模型背后硬件的最大供应商，英伟达一直在研究怎么给大模型硬件加速。

通过与多家AI公司合作，英伟达终于推出了大模型推理优化程序TensorRT-LLM(暂且简称TensorRT)。

TensorRT不仅能让大模型的推理速度翻番，使用起来也十分方便。

无需深入了解C++和CUDA，也能快速定制优化策略，在H100上更快地跑大模型。

英伟达科学家范麟熙(Jim Fan)转发并评论称，英伟达的“另一项优势”就是可以最大化利用GPU性能的配套软件。

英伟达通过软件给产品打鸡血，仿佛在实践老黄的那句“买的越多省的越多”，但这也并不妨碍有人嫌贵：

除了价格，也有网友对其运行效果提出了质疑：

我们总是看到(宣传中的)多少倍的性能提升，但自己运行Llama 2的时候每秒还是只能处理几十个token。

到底是不是真的有效可能还需要继续检验，我们先来具体了解一下TensorRT。

大模型推理速度翻倍

TensorRT-LLM优化之后的H100，跑大模型到底有多快呢？

英伟达的通告中给出了Llama 2和GPT-J-6B两种模型的数据。

在优化后的H100上，跑Llama 2的推理速度则是A100的4.6倍、八月份未优化版H100的1.77倍。

而GPT-J-6B的推理速度是A100上的8倍、八月未优化版的2倍。

TensorRT还提供了开源的模块化Python API，根据不同LLM的需求，可以快速定制优化方案。

这个API将深度学习编译器、内核优化、预/后处理和多节点通信功能集成到了一起。

其中针对GPT(2/3)、Llama等常见模型，还有已经定制好的版本，可以“开箱即用”。

通过TensorRT中最新的开源AI内核，开发者还可以对模型自身进行优化，其中就包括了让Transformer大大提速的注意力算法FlashAttention。

那么TensorRT又是如何对LLM推理速度进行优化的呢？

首先要得益于TensorRT对多节点协同工作方式进行了优化。

像Llama这样庞大的模型，在单卡上是跑不起来的，需要多块GPU一起跑才能带动。

过去，这一工作需要人们手工把模型拆开来实现。

而有了TensorRT，系统可以自动化地对模型进行拆分，并通过NVLink在多GPU间高效运行。

其次，TensorRT还利用了一种名为动态批处理的优化调度技术。

LLM在推理过程中，实际上是在多次执行模型迭代。

动态批处理技术会将已完成的序列立即踢出，而不是等待整批任务完成后再处理下一组请求。

实际测试中，动态批处理将LLM的GPU请求吞吐量减少了一半，大大降低了运行成本。

另一个关键点则是将16位精度浮点数转换为8位精度，从而降低内存消耗。

FP8与训练阶段的FP16相比消耗的资源更低，同时精确度又高于INT-8，在提高性能的同时不影响模型的准确性。

通过Hopper Transformer引擎，FP16到FP8的转化编译由系统自动完成，无需人工对模型中的任何代码进行修改。

目前，TensorRT-LLM的早鸟版已经可以下载，正式版将于几周内推出并集成到NeMo框架中。

One More Thing

每当大事件出现，总少不了“列文虎克”的身影。

英伟达的公告中提到了“在与Meta等AI头部公司合作”，但没有提及OpenAI。

从这则通告中，就有网友发现了这个华点，并发到了OpenAI论坛上：

让我康康是谁没被老黄cue到（手动狗头）

你还期待老黄带给我们什么样的“惊喜”呢？

参考链接：
https://developer.nvidia.com/blog/nvidia-tensorrt-llm-supercharges-large-language-model-inference-on-nvidia-h100-gpus/