PyTorch团队让大模型推理速度加快了10倍。
且只用了不到1000行的纯原生PyTorch代码！
项目名为GPT-fast，加速效果观感是这样婶儿的：
通畅，属实通畅！
重点是，团队直接放出了代码以及详细“教程”。还是简笔画版的那种，特别好理解。
开发团队成员@Horace He表示：
我们不把它看作是库或者框架，更希望大家能把它当成个例子，根据自己的需求“复制粘贴”。
网友直接炸开锅，英伟达AI科学家Jim Fan评价道：
这是自Andrej Karpathy发布的minGPT以来最棒的教程式repo之一！
开源世界需要更多minGPT、GPT-Fast这样的项目！
那么GPT-fast究竟是如何给大模型提速的？
开盒大模型“加速包”
总的来说，用到这几种方法：
- Torch.compile：一个专门为PyTorch模型设计的编译器，可以提升模型运行效率。
- GPU量化：通过减少计算的精度来加速模型的运算速度。
- 推测性解码：使用一个较小的模型来预测较大模型的输出，以此加快大语言模型的运算。
- 张量并行性：通过在多个硬件设备上分布模型的运算来加速处理速度。
下面我们来一一展开。
开发团队一开始使用简单的PyTorch来实现，但效果不佳（25.5 tok/s）：
他们查看跟踪后发现，一个原因是推理性能由于CPU过多占用而受限。
那么如何解决呢？
可以想象这样一个场景，GPU是一个庞大的工厂（拥有大量可用的算力），而CPU则是一个小推车，来回为工厂“供货”。
在很多情况下，CPU无法足够快地“喂”GPU。
因此，开发团队建议给GPU更多的工作量，或者说一次性给它更大“块”的任务来处理。
在推理过程中要做到这一点，可以引入torch.compile。
torch.compile能够捕获模型中更大的区域，并将其编译成单一的编译区域。特别是当以“reduce-overhead”模式运行时，它非常有效地减少了CPU的开销。
效果立竿见影，性能直接提升了4倍，从25 tok/s提高到107 tok/s：
接下来，开发团队想进一步提升速度，但遇到了内存带宽瓶颈。
开发团队计算了模型的带宽利用率，结果已经达到了72%：
也就是说进一步提高速度的空间可能有限。
重新审视上面的方程式，团队发现虽然实际上不能改变模型参数量，也不能改变GPU的内存带宽（至少在不花更多钱的情况下），但可以改变存储每个参数所用的字节数。
这意味着，虽然无法改变模型的大小或者升级硬件来提高性能，但可以通过减少存储模型参数所需的数据量来提高效率。
通常可以通过量化技术来实现，即减少表示每个参数所需的位数。
由此，开发团队引入了下一个技术——int8量化。
采用int8权重量化减少了内存负载，进一步提升了性能（157.4 tok/s）：
使用量化后还有一个问题：要生成100个token，必须加载（或调用）模型权重100次。频繁加载模型权重也会导致效率低下。
乍一看，好像没有什么解决的法子，因为在自回归生成模式中存在着严格的序列依赖关系。
但开发团队指出，通过利用推测性解码可以打破这种严格的序列依赖关系。
再来打个比方，想象有一个资深工程师Verity，他在技术决策上总是正确，但编写代码的速度相对较慢。
同时，还有一个初级工程师Drake，和Verity相反，不擅长技术决策，但编写代码的速度更快、成本也更低。
那么如何利用不同人的优势来提高整体效率？
方法很简单，先让Drake编写代码，并在此过程中做出技术决策。接下来，将代码交给Verity进行审查，不对的地方就让Drake重做。
在Transformer模型推理中，大型的验证模型即为Verity角色，Drake则是一个更小的、能更快生成文本的草稿模型。
开发团队使用草稿模型生成8个token，然后使用验证模型并行处理，丢弃不匹配的部分。
由此一来，打破了串行依赖，再次提高速度。
值得一提的是，推测性解码不会改变输出的质量。只要使用草稿模型生成token+验证这些token所需的时间少于单独生成这些token所需的时间，这种方法就是有效的。
而且使用原生PyTorch实现这种技术实际上非常简单，整个实现过程只需要大约50行原生PyTorch代码。
由于AMD也支持Triton和torch.compile后端，因此之前在Nvidia GPU上应用的所有优化也可以在AMD GPU上重新应用。
开发团队观察到int8量化的加速从22 tok/s达到102 tok/s：
之后开发团队又用了int4量化，进一步提升速度，但模型准确性有所下降。
因此使用了分组量化和GPTQ降低权重大小。
最后在保证准确性的前提下，速度提升至202.1 tok/s：
将以上技术结合使用，达到更高速度244.7 tok/s：
到目前为止，研发团队一直都是在单个GPU上提速。但其实很多情况下是可以使用多个GPU的。
而使用多个GPU可以增加内存带宽，从而提高模型的整体性能。
在选择并行处理策略时，需要在多个设备上分割一个token的处理过程，所以需要使用张量并行性。
而PyTorch也提供了用于张量并行性的底层工具，可以与torch.compile结合使用。
开发团队还透露也正在开发用于表达张量并行性的更高级别的API。
然而，即使没有更高级别的API，添加张量并行性也很容易，150行代码即可实现，且不需要对模型进行任何改变。
之前提到的所有优化都可以与张量并行性相结合。将这些优化结合起来，能够以55 tokens/s的速度为Llama-70B提供int8量化。
最后总结成果，忽略量化，仅用766行代码（model.py 244行代码，generate.py 371行代码，tp.py 151行代码），就实现了快速推理、推测性解码和张量并行性。
对于Llama-7B，使用compile+int4量化+推测性解码速度达到241 tok/s。对于Llama-70B，通过加入张量并行性，达到80 tok/s。
这些性能都接近或超越了当前SOTA。
