Quest: 面向高效长文本LLM推理的查询感知稀疏性

概要

Quest是一个高效的长文本LLM推理框架，利用KV缓存中的查询感知稀疏性来减少注意力计算过程中的内存移动，从而提高吞吐量。

摘要

随着对长文本大型语言模型(LLMs)需求的增加，具有高达128k或1M令牌上下文窗口的模型变得越来越普遍。然而，长文本LLM推理具有挑战性，因为随着序列长度的增加，推理速度显著降低。这种减速主要是由于在自注意力计算过程中加载大型KV缓存造成的。先前的研究表明，少量关键令牌将主导注意力结果。然而，我们观察到令牌的重要性高度依赖于查询。

为此，我们提出了Quest，一种查询感知的令牌重要性估计算法。Quest跟踪KV缓存页面中的最小和最大Key值，并使用Query向量估计给定页面的重要性。通过仅加载Top-K关键KV缓存页面进行注意力计算，Quest显著加速了自注意力计算，而不牺牲准确性。我们展示了Quest可以实现高达7.03倍的自注意力加速，将推理延迟减少2.23倍，同时在长依赖任务上表现良好，准确性损失可忽略不计。

安装

克隆此仓库（同时克隆子模块）

git clone --recurse-submodules https://github.com/mit-han-lab/quest
cd quest

安装依赖库

conda create -yn quest python=3.10
conda activate quest
pip install -e . && pip install flash-attn==2.3.0 --no-build-isolation

# 安装CMake（版本 >= 3.26.4）
conda install cmake

# 构建libraft
cd kernels/3rdparty/raft
./build.sh libraft

编译内核基准测试（可选）。记得配置CUDA的环境变量（查看教程）。

cd kernels
mkdir build && cd build
cmake ..
make -j

使用PyBind构建端到端操作符

# 这将自动构建和链接操作符
cd quest/ops
bash setup.sh

准确性评估

我们的评估基于LongChat-7B-v1.5-32K和Yarn-Llama2-7B-128K模型，这些模型能够处理长文本生成。我们评估了密钥检索和LongBench基准测试。我们提供了几个脚本来重现论文中的结果：

要获取密钥检索结果，请修改并执行：

bash scripts/passkey.sh

要重现LongBench结果，请修改并执行：

bash scripts/longbench.sh

要评估PG-19的困惑度结果，请执行：

bash scripts/ppl_eval.sh

效率评估

内核和端到端效率评估在NVIDIA Ada6000和RTX4090 GPU上进行，CUDA版本为12.4。我们提供了几个脚本来重现论文中的结果：

内核级效率

我们还发布了用于内核实现的单元测试和基准测试。内核的正确性通过kernels/src/test中的单元测试进行验证，而性能则通过kernels/src/bench中的NVBench进行评估。我们还在quest/tests中使用PyTest通过PyTorch结果测试了PyBind操作符的正确性。

要测试内核的正确性，请执行：

cd kernels/build
./test_batch_decode # 或任何其他操作符

或使用PyTest：

cd quest/tests
PYTHONPATH=$PYTHONPATH:../../ pytest

要重现论文中显示的内核性能，请执行：

cd kernels/build
./bench_batch_decode -a seqlen=4096 -a page_budget=[64,512]
# 或任何其他操作符

示例输出：

端到端效率

Quest可以实现高达2.23倍的端到端加速，同时在长依赖任务上表现良好，准确性损失可忽略不计：

我们将所有实现的操作符整合到一个完整的流程中，以评估文本生成的端到端效率。基于Huggingface Transformers，我们启用了一个支持查询感知稀疏性的KV缓存管理器，如quest/models/QuestAttention.py所示。

要重现图10中的端到端效率结果，请执行：

bash scripts/bench_efficiency_e2e.sh

对于基线的定性分析，我们使用FlashInfer内核来估计H2O和TOVA的性能。要重现图11中的结果，请执行：

bash scripts/bench_kernels.sh

示例

我们提供了几个示例来演示Quest的使用。这些示例使用Quest操作符的端到端集成实现，可以通过以下命令执行（请确保您已设置好所有操作符）：

python3 scripts/example_textgen.py

LongChat-7B-v1.5-32K模型下长文本摘要的示例输出：

您还可以尝试scripts/example_demo.py来测试Quest在您自己的文本生成任务上的性能。我们提供了一个简单的接口来加载模型并使用Quest操作符生成文本。上面的演示是一个使用32K输入在FP16 LongChat-7B-v1.5-32K上的示例。使用2048令牌预算的Quest比完整缓存FlashInfer版本实现了1.7倍的加速。

待办事项

支持GQA模型

参考

如果您发现这个项目对您的研究有帮助，请考虑引用我们的论文：

@misc{tang2024quest,
      title={Quest: Query-Aware Sparsity for Efficient Long-Context LLM Inference}, 
      author={Jiaming Tang and Yilong Zhao and Kan Zhu and Guangxuan Xiao and Baris Kasikci and Song Han},
      year={2024},
      eprint={2406.10774},
      archivePrefix={arXiv},
      primaryClass={id='cs.CL' full_name='Computation and Language' is_active=True alt_name='cmp-lg' in_archive='cs' is_general=False description='Covers natural language processing. Roughly includes material in ACM Subject Class I.2.7. Note that work on artificial languages (programming languages, logics, formal systems) that does not explicitly address natural-language issues broadly construed (natural-language processing, computational linguistics, speech, text retrieval, etc.) is not appropriate for this area.'}
}