本文探讨了大模型部署中的挑战，如内存消耗、动态形状处理，以及如何通过模型并行、量化技术、内存优化和高性能推理引擎来提高部署效率。LMDeploy提供了云端和移动端部署方案，利用轻量化推理引擎、接口API和算子融合等技术提升服务质量。
模型部署 定义 产品形态 计算设备
大模型特点 内存开销大 动态shape 结构简单
部署挑战 设备存储 推理速度 服务质量
部署方案：技术点 （模型并行 transformer计算和访存优化 低比特量化 Continuous Batch Page Attention）方案（云端 移动端）
LMDeploy： 云端部署
接口： python gRPC RESTful
轻量化 推理引擎 服务（api server gradio triton inference server）
无缝对接open compass
推理性能 静态vs动态
核心功能 量化FP16 Int4-8
模型显存优化明显（24GB显存 4倍提升）
计算密集 访存密集（大模型一般是访存密集）
推理引擎 TurboMind
持续批处理 有状态的推理 高性能cuda kernel Blocked k/v cache分块缓存
持续批处理 请求队列+Persistent线程
有状态的推理 推理测的缓存
分块的k/v缓存 历史缓存
高性能cuda kernel
Flash Attention2
Split-k decoding
Fast w4a16, kv8
算子融合
推理服务api server
扫一扫
714
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
