层级推测解码实现长序列生成的高效无损加速
TriForce是一种新型长序列生成加速技术,无需额外训练即可使用。通过层级推测解码方法,该技术在保持生成质量的同时大幅提高速度。TriForce支持多种长上下文Llama模型,提供片上和卸载运行模式以适应不同硬件。在A100和RTX 4090等GPU上,TriForce展现出优异性能,为大型语言模型的高效部署开辟新途径。
无需训练,加速长序列生成
</div> <div align="center"> <b><a href="https://github.com/preminstrel">孙汉石</a></b><sup>1</sup>, <b><a href="https://github.com/dreaming-panda">陈卓明</a></b><sup>1</sup>, <b><a href="https://github.com/Hanyuezhuohua">杨鑫宇</a></b><sup>1</sup>, <b><a href="https://github.com/yuandong-tian">田园东</a></b><sup>2</sup>, <b><a href="https://github.com/keroro824">陈贝迪</a></b><sup>1,2</sup> </div> <div align="center"> <sup>1</sup>卡内基梅隆大学 <sup>2</sup>Meta AI (FAIR) </div> <div align="center"> [<a href="https://arxiv.org/abs/2404.11912">论文</a>] | [<a href="https://infini-ai-lab.github.io/TriForce">博客</a>] </div> <br> <div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/d3fc25eb-1d8f-4202-83d2-f40e6cc1c91e.gif" align="top"/> <figcaption>在2张RTX 4090上使用卸载技术运行<a href="https://huggingface.co/LargeWorldModel/LWM-Text-Chat-128K">LWM-Text-Chat-128K</a>(预填充127K上下文)</figcaption> </div> <br> <div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/65f15cb1-e2c3-41d6-9e54-3e4388d896b8.png" align="top"/> <figcaption>TriForce框架</figcaption> </div>conda create -n TriForce python=3.9 conda activate TriForce pip install -r requirements.txt pip install flash-attn --no-build-isolation # 安装flash-attn
目前仅支持长上下文Llama模型(包括Llama2-7B-128K、Llama2-13B-128K、LWM-Text-128K、LWM-Text-Chat-128K)。
通过运行以下命令,可以在A100上复现片上结果。--prefill
指定提示的上下文长度,--budget
指定检索缓存的预算。chunk_size
指定KV缓存的块大小。top_p
和temp
是采样超参数,默认设置为0.9和0.6。gamma
是推测解码步数。在单个A100上运行以下命令,您应该能观察到2.2倍的加速。gs
包含来自PG-19的20个样本,128k
包含128K个样本,lwm
包含来自NarrativeQA的样本。
# TriForce,在A100上 CUDA_VISIBLE_DEVICES=0 python test/on_chip.py --prefill 124928 --budget 4096 \ --chunk_size 8 --top_p 0.9 --temp 0.6 --gamma 6
我们的框架支持卸载设置的张量并行。--nproc_per_node
应设置为用于卸载的GPU数量。以下命令演示了如何使用2个GPU进行张量并行。需要注意的是,RTX 4090不支持张量并行的CUDA Graph(而A100支持)。因此,我们在此设置中禁用了CUDA Graph。--on_chip
指定片上KV缓存的层数,可以根据硬件进行调整。卸载的性能在很大程度上取决于PCIE的带宽。为了获得准确的结果,最好确保带宽不被其他程序使用。
# TriForce,在2张RTX 4090 GPU上 CUDA_VISIBLE_DEVICES=0,1 OMP_NUM_THREADS=48 torchrun --nproc_per_node=2 \ test/offloading_TP.py --budget 12288 --prefill 130048 --dataset gs \ --target llama-7B-128K --on_chip 9 --gamma 16
我们建议使用2张RTX 4090进行卸载,因为编码时间更短,生成延迟更低。但如果您只有1张RTX 4090,仍可以运行以下命令。由于预算较小,平均接受的令牌长度会更短。
# TriForce,CUDA Graph # Huggingface后端,cuda graph可能会占用一些额外的HBM CUDA_VISIBLE_DEVICES=0 python test/offloading.py --prefill 130048 \ --chunk_size 8 --temp 0.6 --top_p 0.9 --gamma 12 --dataset gs \ --budget 8192 --target llama-7B-128K # TriForce,计算和加载重叠 # 重叠可能会占用一些额外的HBM CUDA_VISIBLE_DEVICES=0,1 OMP_NUM_THREADS=48 torchrun --nproc_per_node=1 \ test/offloading_TP.py --budget 8192 --prefill 130048 --dataset gs \ --target llama-7B-128K --on_chip 0 --gamma 12
对于卸载,我们提供了自回归基准的实现以供比较。如果TriForce的性能不符合预期,这可能是由于PCIE带宽低,我们建议在相同的硬件上评估基准的性能。为了演示如何在不同的硬件配置上执行基准,这里是在两张RTX 4090 GPU上和单独一张RTX 4090 GPU上运行基准的命令。
# 基准,2张RTX 4090 CUDA_VISIBLE_DEVICES=0,1 OMP_NUM_THREADS=48 torchrun --nproc_per_node=2 \ test/offloading_TP.py --budget 0 --prefill 130048 --dataset demo \ --target lwm-128K --on_chip 12 --baseline # 基准,1张RTX 4090 CUDA_VISIBLE_DEVICES=0,1 OMP_NUM_THREADS=48 torchrun --nproc_per_node=1 \ test/offloading_TP.py --budget 0 --prefill 130048 --dataset demo \ --target lwm-128K --on_chip 2 --baseline
如果您发现TriForce对您的项目和研究有用或相关,请引用我们的论文:
@article{sun2024triforce, title={Triforce: Lossless acceleration of long sequence generation with hierarchical speculative decoding}, author={Sun, Hanshi and Chen, Zhuoming and Yang, Xinyu and Tian, Yuandong and Chen, Beidi}, journal={arXiv preprint arXiv:2404.11912}, year={2024} }
环境问题
确保您使用的是transformers==4.37.2
,因为在更新版本的transformers中apply_rotary_pos_emb
API发生了变化。此外,一些环境问题(例如与最新flash-attn的不兼容)可以通过设置torch==2.2.1+cu121
和flash_attn==2.5.7
来解决。更多详情,请参考issue #7。
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号