NUMALLAMA 讓多插槽 ARM CPU 伺服器更快執行大型語言模型
NUMALLAMA: fast LLM inference on multi-socket CPU servers
重點導讀
大型語言模型在多插槽 CPU 伺服器上執行時,若資料常要跨插槽讀取,速度可能變慢。
- 作者做了開源的 C 推論引擎 NUMALLAMA,把模型資料和 KV cache 分散到各插槽的本地記憶體,讓處理器核心多半讀取自己附近的資料。作者在一臺有兩個 ARM 處理器插槽的伺服器上測試,部分模型的解碼速度比 llama.cpp 在單一插槽的最佳結果快 1.5 到 2 倍。
- 這些數字只適用於該測試機。最佳化主要針對 ARM64,x86-64 版本尚未最佳化。
- 伺服器一次處理一個請求,其他請求須排隊。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
信源出處dev.to
NUMALLAMA: fast LLM inference on multi-socket CPU servers
本文為 888news 精選之重點導讀。若需閱讀作者完整原文、技術細節與官方討論,請前往原始網站。
來源: Dev.to Top Tech (dev.to)
開啟原文