大模型的推理速度，仅仅一个月就提高了一倍！
近日，英伟达宣布推出了一款专为H100设计的“鸡血包”，旨在加速LLM推理过程
或许这下可以不用空等明年才能交付的GH200了
。
GPU的计算能力一直在影响着大型模型的性能，无论是硬件供应商还是使用者，都希望能够获得更快的计算速度
而作为大模型背后硬件的最大供应商，英伟达一直在研究怎么给大模型硬件加速。
通过与多家AI公司合作，英伟达终于推出了大模型推理优化程序TensorRT-LLM(暂且简称TensorRT)。
TensorRT不仅能让大模型的推理速度翻番，使用起来也十分方便。
无需深入了解C++和CUDA，也能快速定制优化策略，在H100上更快地跑大模型。
英伟达科学家范麟熙(Jim Fan)转发并评论称，英伟达的“另一项优势”就是可以最大化利用GPU性能的配套软件。
英伟达通过软件给产品注入了新的活力，就像实践了老黄的那句“买得越多，省得越多”。然而，这并不妨碍一些人觉得产品价格太高
除了价格，也有网友对其运行效果提出了质疑：
我们总是看到(宣传中的)多少倍的性能提升，但自己运行Llama 2的时候每秒还是只能处理几十个token。
对于TensorRT来说，我们需要进一步进行检验，以确定它是否真的有效。让我们先来详细了解一下TensorRT
大模型推理速度翻倍
TensorRT-LLM优化后的H100，对于运行大型模型来说速度有多快呢？
英伟达的通告中给出了Llama 2和GPT-J-6B两种模型的数据。
在经过优化后的H100上，跑Llama 2的推理速度是A100的4.6倍，也是八月份未经优化的H100的1.77倍
而GPT-J-6B的推理速度是A100上的8倍、八月未优化版的2倍。
TensorRT还提供了一个开源的模块化Python API，可以根据不同的LLM需求快速定制优化方案
这个API将深度学习编译器、内核优化、预/后处理和多节点通信功能集成到了一起。
其中针对GPT(2/3)、Llama等常见模型，还有已经定制好的版本，可以“开箱即用”。
通过TensorRT中最新的开源AI内核，开发者还可以对模型自身进行优化，其中就包括了让Transformer大大提速的注意力算法FlashAttention。
TensorRT是一个用于优化深度学习推理的高性能推理引擎。它通过使用混合精度计算、动态图优化和层融合等技术，对LLM推理速度进行了优化。具体而言，TensorRT通过将浮点计算转换为半精度浮点计算，减少了计算量和内存带宽的需求，从而提高了推理速度。此外，TensorRT还使用了动态图优化技术，根据输入数据的特征动态地选择最优的网络结构，进一步提高了推理速度。另外，TensorRT还通过层融合技术将多个计算层合并为一个更高效的计算层，减少了计算和内存访问的开销，进一步提高了推理速度。总之，TensorRT通过多种优化技术，显著提升了LLM推理的速度和效率
首先要得益于TensorRT对多节点协同工作方式进行了优化。
像Llama这样庞大的模型，在单卡上是跑不起来的，需要多块GPU一起跑才能带动。
过去，这一工作需要人们手工把模型拆开来实现。
有了TensorRT，系统能够自动地对模型进行拆分，并且通过NVLink在多个GPU之间高效运行
其次，TensorRT还利用了一种名为动态批处理的优化调度技术。
在推理过程中，LLM实际上是通过多次执行模型迭代来进行的
动态批处理技术会将已完成的序列立即踢出，而不是等待整批任务完成后再处理下一组请求。
在实际测试中，动态批处理技术成功地将LLM的GPU请求吞吐量减少了一半，从而显著降低了运行成本
另一个关键点则是将16位精度浮点数转换为8位精度，从而降低内存消耗。
FP8相对于训练阶段的FP16来说，资源消耗更低，同时精确度又高于INT-8，既能提高性能，又不影响模型的准确性
使用Hopper Transformer引擎，系统会自动完成FP16到FP8的转换编译，无需手动修改模型中的任何代码
目前，TensorRT-LLM的早鸟版已经可以下载，正式版将在几周内推出并集成到NeMo框架中
One More Thing
每当大事件出现，总少不了“列文虎克”的身影。
在英伟达的公告中提到了与Meta等人工智能领军企业合作，但没有提及OpenAI
从这则通告中，就有网友发现了这个华点，并发到了OpenAI论坛上：
请让我看看是谁没有被老黄cue到（手动狗头）
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
你还期待老黄会给我们带来怎样的“惊喜”呢？
