英特爾披露至強(qiáng)6處理器針對(duì)Meta Llama 3模型的推理性能

近日，Meta重磅推出其80億和700億參數(shù)的Meta Llama 3開(kāi)源大模型。該模型引入了改進(jìn)推理等新功能和更多的模型尺寸，并采用全新標(biāo)記器（Tokenizer），旨在提升編碼語(yǔ)言效率并提高模型性能。

在模型發(fā)布的第一時(shí)間，英特爾即驗(yàn)證了Llama 3能夠在包括英特爾^?至強(qiáng)^?處理器在內(nèi)的豐富AI產(chǎn)品組合上運(yùn)行，并披露了即將發(fā)布的英特爾至強(qiáng)6性能核處理器（代號(hào)為Granite Rapids）針對(duì)Meta Llama 3模型的推理性能。

圖1 AWS實(shí)例上Llama 3的下一個(gè)Token延遲

英特爾至強(qiáng)處理器可以滿(mǎn)足要求嚴(yán)苛的端到端AI工作負(fù)載的需求。以第五代至強(qiáng)處理器為例，每個(gè)核心均內(nèi)置了AMX加速引擎，能夠提供出色的AI推理和訓(xùn)練性能。截至目前，該處理器已被眾多主流云服務(wù)商所采用。不僅如此，至強(qiáng)處理器在進(jìn)行通用計(jì)算時(shí)，能夠提供更低時(shí)延，并能同時(shí)處理多種工作負(fù)載。

事實(shí)上，英特爾一直在持續(xù)優(yōu)化至強(qiáng)平臺(tái)的大模型推理性能。例如，相較于Llama 2模型的軟件，PyTorch及英特爾^? PyTorch擴(kuò)展包（Intel^? Extension for PyTorch）的延遲降低了5倍。這一優(yōu)化是通過(guò)Paged Attention算法和張量并行實(shí)現(xiàn)的，這是因?yàn)槠淠軌蜃畲蠡捎盟懔皟?nèi)存帶寬。下圖展示了80億參數(shù)的Meta Lama 3模型在AWS m7i.metal-48x實(shí)例上的推理性能，該實(shí)例基于第四代英特爾至強(qiáng)可擴(kuò)展處理器。

圖2 基于英特爾^?至強(qiáng)^? 6性能核處理器（代號(hào)Granite Rapids）的Llama 3下一個(gè)Token延遲

不僅如此，英特爾還首次披露了即將發(fā)布的產(chǎn)品——英特爾^?至強(qiáng)^? 6性能核處理器（代號(hào)為Granite Rapids）針對(duì)Meta Llama 3的性能測(cè)試。結(jié)果顯示，與第四代至強(qiáng)處理器相比，英特爾至強(qiáng)6處理器在80億參數(shù)的Llama 3推理模型的延遲降低了2倍，并且能夠以低于100毫秒的token延遲，在單個(gè)雙路服務(wù)器上運(yùn)行諸如700億參數(shù)的Llama 3這種更大參數(shù)的推理模型。

考慮到Llama 3具備更高效的編碼語(yǔ)言標(biāo)記器（Tokenizer），測(cè)試采用了隨機(jī)選擇的prompt對(duì)Llama 3和Llama 2進(jìn)行快速比較。在prompt相同的情況下，Llama 3所標(biāo)記的token數(shù)量相較Llama 2減少18%。因此，即使80億參數(shù)的Llama 3模型比70億參數(shù)的Llama 2模型參數(shù)更高，在AWS m7i.metal-48xl實(shí)例上運(yùn)行BF16推理時(shí)，整體prompt的推理時(shí)延幾乎相同（該評(píng)估中，Llama 3比Llama 2快1.04倍）。