AI.x社区

一、背景前段时间的文章里我们刚刚介绍过两个对LLM分布式推理场景中AllReduce的优化工作，一个是NVIDIATensorRTLLM中的MultiShot无损优化，另一个是Recogni提出的基于量化压缩实现的AllReduce加速方案。本文中我们继续介绍美团新发表的AllReduce量化压缩优化方案。对应的论文为：[2412.04964]FlashCommunication:ReducingTensorParallelizationBottleneckforFastLargeLanguageModelInference[1]二、摘要随着LLM规模的不断增长，...

一、背景前段时间的文章里我们刚刚介绍过两个对LLM分布式推理场景中AllReduce的优化工作，一个是NVIDIATensorRTLLM中的MultiShot无损优化，另一个是Recogni提出的基于量化压缩实现的AllReduce加速方案。本文中我们继续介绍美团新发表的AllReduce量化压缩优化方案。对应的论文为：[2412.04964]FlashCommunication:ReducingTensorParallelizationBottleneckforFastLargeLanguageModelInference[1]二、摘要随着LLM规模的不断增长，...

一、背景我们在之前的文章中提到过，在A100上进行大规模LLM训练的MFU（模型浮点运算利用率）通常可以达到50%60%，而在H100上往往只有40%50%，为什么会存在这样的现象，能否进一提升对应的性能呢？比如在H100中是否可以达到60%的MFU？今天介绍一篇新的文章，其采用了一种新的双链技术，可以更好实现通信与计算的Overlap，为实现上述目标提供了更多可能。对应的论文为：[2411.15871]HidingCommunicationCostinDistributedLLMTrain...

一、背景最近在看腾讯最新混元大模型的Paper时（[2411.02265]HunyuanLarge:AnOpenSourceMoEModelwith52BillionActivatedParametersbyTencent[1]），看到了如下关于计算Budget的公式由于我们的工作中也会经常根据计算资源Budget评估LLM预训练时间，而该公式与我们平常的计算方式不太一致；此外，如下图所示，我们也看到很多文章中将上述公式中的第二项理解为长序列情况下Attention的额外计算开销，而将6ND>9.6ND看成Router引入的...

一、背景本文中我们简单介绍一个新的BestofN速度优化的论文，其提出了SpeculativeRejection（投机拒绝），虽然也是用于LLM推理生成加速，但是和SpeculativeDecoding（投机采样）场景、方案都很不一样。对于基于LLM进行高质量、大规模数据生成的场景比较有帮助。对应的论文：[2410.20290]FastBestofNDecodingviaSpeculativeRejection对应的代码库：GitHubZanetteLabsSpeculativeRejection:[NeurIPS2024]FastBestofNDecodingviaSp...

一、背景本文中我们继续介绍一个Intel最新的关于FP8训练相关的工作，其在一定程度上分析并解决了FP8训练中的不收敛问题，进一步推进了FP8训练落地（尤其是在H100H800GPU上）的可行性。对应的论文：[2409.12517]ScalingFP8trainingtotrilliontokenLLMs[1]二、摘要本文中，作者首次在2TToken的数据集上使用FP8精度训练了LLM，比以前的限制增加了20倍。通过这些扩展训练实验，作者发现了FP8训练中的关键不确定性，这些不确定性在早...

一、背景本文中我们介绍一种最新的KVCache共享论文KVSharer，与之前常见的层内共享不同，KVSharer主要关注跨层共享，并且是整个层的共享。对应的论文：[2410.18517]KVSharer:EfficientInferenceviaLayerWiseDissimilarKVCacheSharing对应的代码库：​​​​https:github.comyangyifei729KVSharertreemain​​二、摘要LLM推理过程中对GPU内存的需求不断增加，而其中Attention的KVCache占据了超过80%的空间。当前，大多数现有的KV...

一、背景本文中我们介绍一下最近被NeurIPS2024接收为OralPresentation的LLM量化工作DuQuant。这是一种令旋转变换和排列变换来更有效地缓解MassiveOutlier和NormalOutlier的新方法。其达到了4bit量化的新SOTA。具体来说：作者发现LLM的FFN模块中，在downproj的输入中存在明显的MassiveOutlier；这种Outlier不同于以往发现的Outlier，表现为绝对值大于几百的个别异常值；这些Outlier会显著限制4bit权重激活量化方法的性能。作者提...

一、背景之前看过部分MegatronLM的源码，也详细分析过对应的Dataset和DataLoader，想当然的认为在LLM预训练时会使用DocumentLevel的Mask，也就是常说的SamplePacking技术。最近我们在做长序列训练相关工作时发现并非如此，并且出现了一些很奇怪的性能问题，因此重新看了相关工作，并进行了部分实验。SamplePacking中有很多可以讨论的技术点，比如Attention的实现和优化，Sample的组合及负载均衡问题（有点类似调度问题）以及不...

一、背景我们之前已经分享过几篇关于SamplePacking相关的文章，也提到了其中的性能优化问题。最近今天又看到一篇新的论文，这里进行简单介绍。对应的论文为：[2410.08081]PackingAnalysis:PackingIsMoreAppropriateforLargeModelsorDatasetsinSupervisedFinetuning相关工作可以参考我们之前的文章：SamplePacking：长序列LLM训练的Attention问题及优化SamplePacking综述：LLM效果与效率的TradeoffBinaryBlockMasking：加快稀疏A...

一、背景前段时间Meta发布了对标OpenAISORA和快手可灵的视频生成模型MovieGen，这里我们进行相关的技术解读。本文主要聚焦在其图像和视频生成模型部分，进行详细介绍；然后对视频个性化、编辑和音频生成进行简单概述。对应的论文：MovieGen:ACastofMediaFoundationModels对应的Blog：HowMetaMovieGencouldusherinanewAIenablederaforcontentcreators更多的Video：MetaMovieGen我们在之前的文章中也详细介绍过各种文生图相关的技...

一、背景本文我们继续介绍一个针对超长上下文的LLM推理加速工作，同样是Token稀疏化的方案，来解决LLM在超长序列场景计算量大、GPU显存消耗大的问题，不过结合了ANN检索，可以实现更高的精度。对应的论文为：[2409.10516]RetrievalAttention:AcceleratingLongContextLLMInferenceviaVectorRetrieval二、摘要本文中作者提出了RetrievalAttention，无需训练就可以加速Attention计算。为了利用Attention的动态稀疏特性，RetrievalA...

一、背景我们之前的文章中介绍过Character.AI的LLM推理最佳实践，其在1年多的时间里将推理成本降低了33倍。其中一个关键技术是对KVCache的跨层共享以及与LocalAttention的结合。本文我们介绍MixAttention，其思路和上述方案完全一致，不过针对长文本场景做了更多实验和调整。对应的论文为：[2409.15012]InferenceFriendlyModelsWithMixAttentionLLM稀疏化相关工作可以参考：​​SnapKV:KVCache稀疏化，零微调加速长序列LLM推理...

一、背景我们在之前的文章中简单介绍了SamplePacking相关的技术方案及涉及的问题，也在看其中Attention计算带来的各种挑战。机缘巧合正好看到一篇文章试图解决相应的Attention计算问题，这里进行简单介绍。对应的论文为：[2409.15097]EfficientlyDispatchingFlashAttentionForPartiallyFilledAttentionMasks相关工作可以参考我们之前的文章：​​SamplePacking：长序列LLM训练的Attention问题及优化​​​​SamplePacking综述：...

本文中我们通过几篇论文来具体介绍SamplePacking相关的方案和对应的各种问题，比如GraphCore的PackedBert、Meta的InContextPretraining、智谱AI的LongAlign、Amazon的FewerTruncations以及IBM的PackingwithFlashAttention。一、背景上一篇文章（​​​SamplePacking：长序列LLM训练的Attention问题及优化​​）中我们简单介绍了SamplePacking相关的问题和部分简单实验。本文中我们通过几篇论文来具体介绍SamplePacking相关的方...

​一、背景幻方AI团队发布了一系列DeepSeek大模型，比如DeepSeekV2、DeepSeekMath、DeepSeekCoder等。在DeepSeekV2中提出的MLA（MultiheadLatentAttention）也广受好评。此外，DeepSeekV2在强大性能的情况下还将API定价降低到GPT4的百分之一，被称为“价格屠夫”，也由此引发大模型API的价格战。本文中我们介绍一下幻方AI训练DeepSeek系列模型使用的大规模GPU集群以及相应的各种优化手段。对应的论文为：[2408.14158]FireFlyerA...

一、背景我们之前介绍过一些LLM模型融合或堆叠的方案，然而这些方案通常需要人工设计或者继续训练、微调，这里我们介绍一篇新的工作试图解决这些问题，其思路很有意思，为后续的模型生产提供了一条思路，也得到了意想不到的结果。需要说明的是，虽然开源了代码，单开源代码中并没有开放如何合并的代码，导致合并的细节无法获知。此外，相应的代价有多高也没有具体介绍，比如评估成本。对应的论文为：[2403.13187]EvolutionaryOp...

一、背景之前的文章中我们详细介绍了大规模分布式训练中的数据并行（DataParallelism，DP）、张量并行（TensorParallelism，TP）和流水线并行（PipelineParallelism，PP）。这篇文章中我们继续介绍MoE中经常使用的专家并行（ExpertParallelism，EP），以及EP中涉及的相关All2All操作和优化手段等。二、引言2.1标准All2AllAlltoAll是集合通信库（比如NCCL）中另一种常见的通信原语，用于多个设备之间进行数据交换。AlltoAlll操作...

一、背景本文中我们继续介绍另一种非常常见的并行方案——流水线并行（PipelineParallelism）。二、MicrosoftPipelinedBP2.1摘要我们在之前的文章中提到过，2012:ImageNetClassificationwithDeepConvolutionalNeuralNetworks中使用TensorParallelism在2个GPU上训练AlexNet。同一年，微软的研究者开始使用PipelineParallelism训练语音识别模型CDDNNHMM（ContextDependentDeepNeuralNetworkHMM）。首先，作者提出了CDDNNHMM模型，...

一、背景本文中我们继续介绍分布式训练中的张量并行（TensorParallelism，TP），包括AlexNet、Google、Facebook、NVIDIA以及ColossalAI的一系列TensorParallelism方案。涉及1DTP，2D和3DTP，也包含行切分和列切分等。这里说的TensorParallelism和ZeroDP以及PytorchFSDP中的模型切分方式不一样，ZeroDP和FSDP中的模型切分在实际使用的时候还会将相应的参数AllGather到当前设备，使用全部的参数进行计算。而TensorParallelism中的...