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的豐富AI產品組合上運行，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的，這是因為其能夠最大化可用算力及內存帶寬。下圖展示了80億參數的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700億參數的Llama 3這種更大參數的推理模型。

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數量相較Llama 2減少18%。因此，即使80億參數的Llama 3模型比70億參數的Llama 2模型參數更高，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：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網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站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網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。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。