上交大發布推理引擎PowerInfer，其token生成速率僅比A100低18%，或將取代4090成為A100的替代品

為了不改變原意而重寫內容，需要將語言重寫為中文，不需要出現原句

#本網站的編輯部

PowerInfer 的出現使得在消費級硬體上運行AI 變得更加高效

上海交大團隊，剛推出超強CPU/GPU LLM 高速推理引擎PowerInfer。

#專案位址：https://github.com/SJTU-IPADS/PowerInfer

#論文網址：https://ipads.se.sjtu.edu.cn/_media /publications/powerinfer-20231219.pdf

速度有多快？

在運行 Falcon (ReLU)-40B-FP16 的單一 RTX 4090 (24G) 上，PowerInfer 對比 llama.cpp 實現了 11 倍加速！

#PowerInfer 和llama.cpp 都在相同的硬體上運行，並充分利用了RTX 4090 上的VRAM。

在單一NVIDIA RTX 4090 GPU 上的各種LLM 中，PowerInfer 的平均token 產生率為13.20 個token / 秒，峰值為29.08 個token /秒，僅比頂級伺服器等級A100 GPU 低18%。

#

具体来说，PowerInfer 是一个用于本地部署 LLM 的高速推理引擎。它利用 LLM 推理中的高局部性来设计 GPU-CPU 混合推理引擎。其中热激活（hot-activated）神经元被预加载到 GPU 上以便快速访问，而冷激活（cold-activated）神经元（大部分）则在 CPU 上计算。这种方法显著减少了 GPU 内存需求和 CPU-GPU 数据传输。

PowerInfer 可以在配备单个消费级 GPU 的个人计算机 (PC) 上高速运行大型语言模型 (LLM) 。现在用户可以将 PowerInfer 与 Llama 2 和 Faclon 40B 结合使用，即将支持 Mistral-7B。

PowerInfer 设计的关键是利用 LLM 推理中固有的高度局部性，其特征是神经元激活中的幂律分布。

下图 7 展示了 PowerInfer 的架构概述，包括离线和在线组件。

这种分布表明，一小部分神经元（称为热神经元）跨输入一致激活，而大多数冷神经元则根据特定输入而变化。PowerInfer 利用这种机制设计了 GPU-CPU 混合推理引擎。

PowerInfer 进一步集成了自适应预测器和神经元感知稀疏算子，优化了神经元激活和计算稀疏性的效率。

看到这项研究后，网友激动的表示：单卡 4090 跑 175B 大模型不再是梦。

了解更多内容，请查看原论文。

以上是上交大發布推理引擎PowerInfer，其token生成速率僅比A100低18%，或將取代4090成為A100的替代品的詳細內容。更多資訊請關注PHP中文網其他相關文章！