PowerInfer

PowerInfer 项目简介

PowerInfer 是一款高效的大型语言模型（LLM）推理引擎，专为配备消费级 GPU 的个人电脑设计。其核心设计理念在于利用 激活局部性 来优化性能，从而在有限的硬件条件下实现高效的推理表现。

主要特色

• 局部性优化设计：PowerInfer 通过稀疏激活以及“热点”“冷点”神经元的设计，提高推理效率，并降低资源消耗。
• CPU/GPU 混合利用：将 CPU 与 GPU 的存储和计算能力无缝结合，达到工作负载的平衡和更快的处理速度。
• 易于使用和灵活性：该引擎与常用的 ReLU 稀疏模型兼容，并针对本地部署进行了深度优化，只需一块消费级 GPU 即可实现低延迟的 LLM 推理和服务。
• 向后兼容性：尽管与 llama.cpp 的设计有所不同，PowerInfer 兼容其大部分功能，如服务器及批处理生成，还支持使用 llama.cpp 的模型权重。

最新进展

• 性能提升：2024 年 6 月推出的 PowerInfer-2 极大优化了在智能手机上的推理速度，这一框架使得 TurboSparse-Mixtral-47B 的推理速度达到每秒 11.68 个 tokens，比其他同类框架快 22 倍。
• 新模型支持：加入对 AMD 设备的支持，并支持 Windows 的 GPU 推理。
• 新技术：引入 Turbo Sparse 技术，通过稀疏化处理使模型在性能不减的情况下减少 90% 的参数量。
• 新的工具和支持：上线了 Falcon(ReLU)-40B-FP16 的在线演示，并发布了 Bamboo LLM，提供出色的性能和速度。

模型兼容性

PowerInfer 能够兼容多种模型系列，如 LLaMA(ReLU)、Falcon(ReLU)、ProSparse-LLaMA 和 Bamboo，这使得它在不同处理器和操作系统上都有良好的适应性。

操作指南

安装与设置

• 依赖要求：需要安装 CMake（3.17+）和 Python（3.8+），用于模型权重转换和 FFN（前馈神经网络）离线处理。

获取代码

git clone https://github.com/SJTU-IPADS/PowerInfer
cd PowerInfer
pip install -r requirements.txt

构建

• 如果您拥有 NVIDIA GPU:

cmake -S . -B build -DLLAMA_CUBLAS=ON
cmake --build build --config Release

• 对于 AMD GPU:

CC=/opt/rocm/llvm/bin/clang CXX=/opt/rocm/llvm/bin/clang++ cmake -S . -B build -DLLAMA_HIPBLAS=ON -DAMDGPU_TARGETS=gfx1100
cmake --build build --config Release

• 只有 CPU 时:

cmake -S . -B build
cmake --build build --config Release

模型权重

PowerInfer 模型以特定格式存储，包括 LLM 权重和预测器权重。用户可从 Hugging Face 下载适合的模型权重，并通过 PowerInfer 提供的工具进行转换和使用。

推理执行

在指定配置下运行推理示例:

./build/bin/main -m /PATH/TO/MODEL -n $output_token_count -t $thread_num -p $prompt

评估

PowerInfer 在消费级硬件上的表现与高端服务器级 GPU 相近。与 llama.cpp 相比，PowerInfer 的推理速度提升显著，如在 Falcon 40B 上达到了 11 倍的加速。

FAQ 和其他

项目文档提供了详细的性能调试指南，PowerInfer 特别优化了 INT4 模型的量化支持。用户可以通过项目的 GitHub 页面获取更多帮助和支持。如果遇到问题，用户也可在该页面提交问题报告。

PowerInfer 的发展和优化仍在持续中，后续计划包括支持与更多设备兼容以及提供相应的预测器训练代码。对于技术细节和学术引用，PowerInfer 还提供了相关的学术论文供研究者参考。