ME News Notícias, 18 de abril (UTC+8), de acordo com o monitoramento do Beating, Moonshot AI e a Universidade de Tsinghua publicaram uma nova pesquisa no arXiv em 16 de abril intitulada 《Prefill-as-a-Service》, propondo que a fase de pré-preenchimento (prefill) de inferência de grandes modelos seja executada entre centros de dados. A inferência de grandes modelos ocorre em duas etapas: o prefill lê toda a entrada de uma vez e gera um cache KV; o decode então produz o resultado caractere por caractere com base nesse cache. As duas etapas requerem características de hardware completamente diferentes, o prefill consome poder de processamento, enquanto o decode consome memória de vídeo e largura de banda. A prática predominante na indústria é separar as duas etapas em máquinas diferentes (divisão PD), mas isso exige conexão RDMA dentro do mesmo centro de dados, pois o cache KV de modelos de atenção intensiva gera dezenas de Gbps por segundo, e se a transmissão for lenta, a GPU fica ociosa. A mudança vem de um novo modelo de atenção híbrida de última geração. Testes na pesquisa mostraram que modelos como Kimi Linear, MiMo-V2-Flash, Ring-2.5-1T, combinando algumas camadas completas de atenção com muitas camadas lineares, reduziram a taxa de transferência do cache KV em cerca de uma ordem de magnitude, com o Ring-2.5-1T atingindo uma compressão total de 36 vezes. Nesse momento, o cache KV pode ser transferido da rede dedicada RDMA para uma rede Ethernet comum. A abordagem específica do PrfaaS consiste em montar um "cluster de pré-preenchimento" separado, roteando apenas solicitações de contexto longo e prefixos não encontrados, enquanto solicitações curtas permanecem no cluster PD local; após o pré-preenchimento, o cache KV é enviado de volta ao cluster local via Ethernet para o decode. Além disso, introduz-se roteamento por limite de comprimento, agendador sensível à largura de banda e um pool de cache de prefixos híbrido. A pesquisa realizou uma série de testes com um modelo híbrido de 1T de parâmetros (baseado na arquitetura Kimi Linear), atingindo uma taxa de serviço geral 54% maior do que a implantação PD homóloga, e 32% maior do que uma solução heterogênea simples, usando apenas uma largura de banda de centro de dados entre centros de dados. (Fonte: BlockBeats)

Ver original

Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.

13 Curtidas

Recompensa
13
7
1
Compartilhar

Comentário

Adicionar um comentário

GateUser-57ab9c02

· 2h atrás

Solicitar manter localmente é bastante razoável, evita exagerar nas pequenas questões

Ver originalResponder0

Cream-ColoredCross-ChainBridge

· 2h atrás

A heterogeneidade simples pode ser superada em 32%, a grande diferença na infraestrutura básica

Ver originalResponder0

CandleSitter

· 3h atrás

PD separação alcançou um novo patamar

Ver originalResponder0

MidnightReconciler

· 3h atrás

A face oculta da lua nesta rodada de produção técnica pode ser adequada

Ver originalResponder0

WatercolorGlassBottle

· 3h atrás

A explicação sobre agendamento com percepção de largura de banda mostra que eles realmente enfrentaram dificuldades

Ver originalResponder0

MistValleySignpost

· 3h atrás

Como o mecanismo de sincronização de decodificação de retorno é projetado?

Ver originalResponder0

SeaSaltMintCandy

· 3h atrás

Sinto que é especialmente amigável para cenários de contexto longo

Ver originalResponder0

Tendências
Ver projetos
#
WinGoldBarsWithGrowthPoints
1.22M Popularidade
#
WTICrudeFallsBelow90Dollars
1.18M Popularidade
#
IsraelStrikesIranBTCPlunges
51.36K Popularidade
#
StockTradingChallengeUpTo17000U
189.19K Popularidade
#
USIranNegotiationGame
9.41M Popularidade

Fixado

sitemap

Face oculta da lua e nova tese da Tsinghua: pré-preenchimento de LLM pode atravessar centros de dados, throughput do modelo de 1T aumenta 54%

Tendências

WinGoldBarsWithGrowthPoints

WTICrudeFallsBelow90Dollars

IsraelStrikesIranBTCPlunges

StockTradingChallengeUpTo17000U

USIranNegotiationGame

Fixado