延遲降低2倍！英特爾披露至強6處理器針對Meta Llama 3模型的推理性能

4月20日消息，近日，Meta重磅推出其80億和700億參數(shù)的Meta Llama 3開源大模型。該模型引入了改進推理等新功能和更多的模型尺寸，并采用全新標記器（Tokenizer），旨在提升編碼語言效率并提高模型性能。

在模型發(fā)布的第一時間，英特爾即驗證了Llama 3能夠在包括英特爾至強處理器在內(nèi)的豐富AI產(chǎn)品組合上運行，并披露了即將發(fā)布的英特爾至強6性能核處理器（代號為Granite Rapids）針對Meta Llama 3模型的推理性能。

英特爾至強處理器可以滿足要求嚴苛的端到端AI工作負載的需求。以第五代至強處理器為例，每個核心均內(nèi)置了AMX加速引擎，能夠提供出色的AI推理和訓練性能。截至目前，該處理器已被眾多主流云服務商所采用。不僅如此，至強處理器在進行通用計算時，能夠提供更低時延，并能同時處理多種工作負載。

事實上，英特爾一直在持續(xù)優(yōu)化至強平臺的大模型推理性能。例如，相較于Llama 2模型的軟件，PyTorch及英特爾PyTorch擴展包（IntelExtension for PyTorch）的延遲降低了5倍。這一優(yōu)化是通過Paged Attention算法和張量并行實現(xiàn)的，這是因為其能夠最大化可用算力及內(nèi)存帶寬。下圖展示了80億參數(shù)的Meta Lama 3模型在AWS m7i.metal-48x實例上的推理性能，該實例基于第四代英特爾至強可擴展處理器。

AWS實例上Llama 3的下一個Token延遲

不僅如此，英特爾還首次披露了即將發(fā)布的產(chǎn)品——英特爾至強6性能核處理器（代號為Granite Rapids）針對Meta Llama 3的性能測試。結果顯示，與第四代至強處理器相比，英特爾至強6處理器在80億參數(shù)的Llama 3推理模型的延遲降低了2倍，并且能夠以低于100毫秒的token延遲，在單個雙路服務器上運行諸如700億參數(shù)的Llama 3這種更大參數(shù)的推理模型。

基于英特爾至強 6性能核處理器（代號Granite Rapids）的Llama 3下一個Token延遲

考慮到Llama 3具備更高效的編碼語言標記器（Tokenizer），測試采用了隨機選擇的prompt對Llama 3和Llama 2進行快速比較。在prompt相同的情況下，Llama 3所標記的token數(shù)量相較Llama 2減少18%。因此，即使80億參數(shù)的Llama 3模型比70億參數(shù)的Llama 2模型參數(shù)更高，在AWS m7i.metal-48xl實例上運行BF16推理時，整體prompt的推理時延幾乎相同（該評估中，Llama 3比Llama 2快1.04倍）。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。