「大模型的 API 是个亏本买卖吗？」
随着大语言模型技术的逐渐实用化，越来越多的科技公司提出了大模型 API 供开发者们使用。但前有 OpenAI「每天烧掉 70 万美元」，我们也有理由怀疑以大模型为基础的业务到底能不能持续。
本周四，AI 创业公司 Martian 为我们仔细盘算了一下。
排行榜链接：https://leaderboard.withmartian.com/
The LLM Inference Provider Leaderboard 是一个开源的大模型 API 推理产品排行榜。对于每个供应商的 Mixtral-8x7B 和 Llama-2-70B-Chat 公共端点，该榜单对成本、速率限制、吞吐量和 TTFT 的 P50 和 P90 进行了基准测试。
虽然互为竞争关系，但 Martian 发现各家公司提供的大模型服务之间存在大于 5 倍的成本差异，大于 6 倍的吞吐量，甚至还存在更大的速率限制差异。虽然在不同性能的大模型之间进行选择只是业务开展的一部分，但选择不同的 API 对于获得最佳性能显然至关重要。
在目前的榜单上可见，Anyscale 提供的服务对于 Llama-2-70B 的中等服务负载具有最佳的吞吐量。Together AI 对于 Llama-2-70B 和 Mixtral-8x7B 的大型服务负载具有最佳的 P50 和 P90 吞吐量。
此外，贾扬清的 LeptonAI 在短输入 + 长输出提示的小服务负载上能够提供最佳的吞吐量。130 tks/s 的 P50 是所有厂商提供的所有模型产品中可以观察到的最快吞吐量。
知名 AI 学者、Lepton AI 创始人贾扬清在排行榜放出后第一时间进行了点评，让我们看看他是如何说的。
贾扬清首先阐述了人工智能领域行业现状，然后肯定了基准测试的意义，最后指出 LeptonAI 将帮用户找到最好的 AI 基础策略。
1. 大模型 API 正在「烧钱」
如果模型在高工作负载基准测试中处于领先地位，那么恭喜，它正在「烧钱」。
LLM 推理公共 API 的容量就像是经营一家餐馆：有厨师，需要估算客流量。聘请厨师是要花钱的。延迟和吞吐量可以理解为「你为顾客做饭的速度有多快」。对于一个合理的生意，你需要有「合理」数量的厨师。换句话说，你希望拥有能够承载正常流量的容量，而不是在几秒钟内突然爆发的流量。流量激增意味着需要等待；反之，「厨师」则会无所事事。
在人工智能世界中，GPU 扮演着「厨师」的角色。基准负载是突发的。在低工作负载下，基准负载会混合到正常的流量中，并且测量结果可以准确表示服务在当前工作负载下的情况。
高服务负载场景则很有趣，因为会带来中断。基准测试每天 / 每周仅运行几次，因此不是人们应该期望的常规流量。想象一下，让 100 个人涌入当地的餐馆来检查厨师做菜的速度，结果会很不错。借用量子物理学的术语，这被称为「观察者效应」。干扰越强（即突发负载越大），其精度就越低。换句话说：如果您给某个服务突然提供高负载，并发现该服务响应速度非常快，那么您就知道该服务有相当多的闲置容量。作为投资者，看到这种情况，你应该质问：这种烧钱的方式负责任吗？
2. 模型最终会达到相似的表现
人工智能领域很喜欢竞争比赛，这的确很有趣。大家都会很快收敛到相同的解决方案，并且，由于 GPU 的原因，英伟达总是最终的赢家。这要归功于伟大的开源项目，vLLM 就是一个很好的例子。这意味着，作为提供商，如果您的模型性能比其他模型差很多，您可以通过查看开源解决方案并应用良好的工程来轻松赶上。
3.「作为客户，我不关心提供商的成本」
对于人工智能应用程序构建者来说，我们很幸运：总是有 API 提供商愿意「烧钱」。AI 行业正在烧钱来获得流量，下一步才是担心利润。
基准测试是一项乏味且容易出错的工作。无论好坏，通常都会发生成功者赞扬你而失败者指责你的情况。上一轮卷积神经网络基准测试就是如此。这不是一件容易的事，但基准测试将帮助我们在人工智能基础设施方面获得下一个 10 倍的收益。
基于人工智能框架和云基础设施，LeptonAI 将帮用户找到最好的 AI 基础策略。
