ME News Notícias, 18 de abril (UTC+8), de acordo com a monitorização do Beating, Moonshot AI e a Universidade de Tsinghua publicaram a 16 de abril no arXiv um novo artigo intitulado «Prefill-as-a-Service», propondo que a fase de pré-preenchimento (prefill) da inferência de grandes modelos seja executada entre centros de dados.
A inferência de grandes modelos divide-se em duas etapas: o prefill lê de uma só vez a entrada e gera um cache KV; o decode depois utiliza esse cache para gerar o resultado palavra por palavra.
As características de hardware necessárias para as duas etapas são 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 que ambas estejam conectadas no mesmo centro de dados via RDMA, 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 com o novo modelo de atenção híbrida de última geração.
O artigo relata que modelos como Kimi Linear, MiMo-V2-Flash, Ring-2.5-1T, entre outros, combinam algumas camadas completas de atenção com muitas camadas lineares, reduzindo a taxa de transferência do cache KV em aproximadamente uma ordem de grandeza, atingindo uma compressão total de 36 vezes no Ring-2.5-1T.
Assim, o cache KV pode ser transferido da rede RDMA dedicada para uma rede Ethernet comum para upload.
A abordagem específica do PrfaaS consiste em montar um «cluster de pré-preenchimento» independente, que roteia apenas solicitações de contexto longo, prefixos não atendidos e cache de 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.
Implementa-se também o roteamento por limite de comprimento, um agendador sensível à largura de banda e um pool de cache de prefixos híbrido.
O artigo realizou uma série de testes com um modelo híbrido de 1T de parâmetros (baseado na arquitetura Kimi Linear), demonstrando que a taxa de serviço geral é 54% maior do que uma implantação PD idêntica, e 32% maior do que uma solução heterogênea simples, usando apenas uma largura de banda moderada entre centros de dados.
(Origem: BlockBeats)

Ver original

Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.

7 gostos

Recompensa
7
6
Republicar
Partilhar

Comentar

Adicionar um comentário

DewdropSapling

· 27m atrás

PrfaaS foi assim nomeado, será que no futuro ainda haverá Decode-as-a-Service

Ver originalResponder0

InstantNoodle-LevelResearcher

· 1h atrás

Tsinghua + o lado obscuro da lua, a infraestrutura de grandes modelos domésticos começa a competir em uma nova direção

Ver originalResponder0

LateBlockLarry

· 1h atrás

54% de aumento parece promissor, mas na prática é preciso considerar isolamento multi-inquilino e recuperação de falhas

Ver originalResponder0

MempoolMaggie

· 1h atrás

Transmissão de KV em Ethernet, o custo de largura de banda deve ser mais caro do que o poder de processamento, certo?

Ver originalResponder0

MintLiquidationWarning

· 2h atrás

Apenas roteamento de contexto longo não foi bem-sucedido, solicitações curtas permanecem locais, essa estratégia de hierarquia é bastante prática.

Ver originalResponder0

GateUser-2100b43b

· 2h atrás

O modelo de atenção híbrido reduz a taxa de transferência do cache KV, essa ideia me faz lembrar de algumas truques do treinamento distribuído inicial.

Ver originalResponder0

Tópicos em destaque
Ver mais
#
WinGoldBarsWithGrowthPoints
1.21M Popularidade
#
WTICrudeFallsBelow90Dollars
1.53M Popularidade
#
IsraelStrikesIranBTCPlunges
51.3K Popularidade
#
StockTradingChallengeUpTo17000U
186.79K Popularidade
#
USIranNegotiationGame
9.41M Popularidade

Fixado

Face oculta da Lua e novo artigo da Tsinghua: pré-preenchimento de LLM pode atravessar centros de dados, desempenho de 1T modelo aumenta 54%

Tópicos em destaque

WinGoldBarsWithGrowthPoints

WTICrudeFallsBelow90Dollars

IsraelStrikesIranBTCPlunges

StockTradingChallengeUpTo17000U

USIranNegotiationGame

Fixado