用上這個工具包，大模型推理性能加速達40倍

作者：英特爾公司 沈海豪、羅嶼、孟恒宇、董波、林俊

編者按：

只需不到9行代碼，就能在CPU上實現(xiàn)出色的LLM推理性能。英特爾Extension for Transformer創(chuàng)新工具包中的LLM Runtime為諸多模型顯著降低時延，且首個token和下一個token的推理速度分別提升多達40倍和2.68倍，還能滿足更多場景應用需求。

英特爾Extension for Transformer是什么？

英特爾Extension for Transformers[1]是英特爾推出的一個創(chuàng)新工具包，可基于英特爾架構平臺，尤其是第四代英特爾至強可擴展處理器（代號Sapphire Rapids[2]，SPR）顯著加速基于Transformer的大語言模型(Large Language Model,LLM)。其主要特性包括：

• 通過擴展Hugging Face transformers API[3]和利用英特爾Neural Compressor[4]，為用戶提供無縫的模型壓縮體驗；

• 提供采用低位量化內核（NeurIPS 2023：在CPU上實現(xiàn)高效LLM推理[5]）的LLM推理運行時，支持Falcon、LLaMA、MPT、Llama2、 BLOOM、OPT、ChatGLM2、GPT-J-6B、Baichuan-13B-Base、Baichuan2-13B-Base、Qwen-7B、Qwen-14B和Dolly-v2-3B等常見的LLM[6]；

• 先進的壓縮感知運行時[7]（NeurIPS 2022：在CPU上實現(xiàn)快速蒸餾和QuaLA-MiniLM：量化長度自適應MiniLM；NeurIPS 2021：一次剪枝，一勞永逸：對預訓練語言模型進行稀疏/剪枝）。

本文將重點介紹其中的LLM推理運行時（簡稱為“LLM運行時”），以及如何利用基于Transformer的API在英特爾至強可擴展處理器上實現(xiàn)更高效的LLM推理和如何應對LLM在聊天場景中的應用難題。

LLM運行時(LLM Runtime)

英特爾Extension for Transformers提供的LLM Runtime[8]是一種輕量級但高效的LLM推理運行時，其靈感源于GGML[9]，且與llama.cpp[10]兼容，具有如下特性：

• 內核已針對英特爾至強CPU內置的多種AI加速技術（如 AMX、VNNI）以及AVX512F和AVX2指令集進行了優(yōu)化；

• 可提供更多量化選擇，例如：不同的粒度（按通道或按組）、不同的組大?。ㄈ纾?2/128）；

• 擁有更優(yōu)的KV緩存訪問以及內存分配策略；

• 具備張量并行化功能，可助力在多路系統(tǒng)中進行分布式推理。

LLM Runtime的簡化架構圖如下：

△圖1.英特爾 Extension for Transformers的LLM Runtime簡化架構圖

使用基于Transformer的API，在CPU上實現(xiàn)LLM高效推理

只需不到9行代碼，即可讓您在CPU上實現(xiàn)更出色的LLM推理性能。用戶可以輕松地啟用與Transformer類似的API來進行量化和推理。只需將 ‘load_in_4bit’設為true，然后從HuggingFace URL或本地路徑輸入模型即可。下方提供了啟用僅限權重的(weight-only)INT4量化的示例代碼：

fromtransformersimportAutoTokenizer,TextStreamer
fromintel_extension_for_transformers.transformersimportAutoModelForCausalLM
model_name="Intel/neural-chat-7b-v3-1”
prompt="Onceuponatime,thereexistedalittlegirl,"

tokenizer=AutoTokenizer.from_pretrained(model_name,trust_remote_code=True)
inputs=tokenizer(prompt,return_tensors="pt").input_ids
streamer=TextStreamer(tokenizer)

model=AutoModelForCausalLM.from_pretrained(model_name,load_in_4bit=True)
outputs=model.generate(inputs,streamer=streamer,max_new_tokens=300)

△可左滑看完整版

默認設置為：將權重存儲為4位，以8位進行計算。但也支持不同計算數(shù)據(jù)類型(dtype)和權重數(shù)據(jù)類型組合，用戶可以按需修改設置。下方提供了如何使用這一功能的示例代碼：

fromtransformersimportAutoTokenizer,TextStreamer
fromintel_extension_for_transformers.transformersimportAutoModelForCausalLM,WeightOnlyQuantConfig
model_name="Intel/neural-chat-7b-v3-1”
prompt="Onceuponatime,thereexistedalittlegirl,"

woq_config=WeightOnlyQuantConfig(compute_dtype="int8",weight_dtype="int4")
tokenizer=AutoTokenizer.from_pretrained(model_name,trust_remote_code=True)
inputs=tokenizer(prompt,return_tensors="pt").input_ids
streamer=TextStreamer(tokenizer)

model=AutoModelForCausalLM.from_pretrained(model_name,quantization_config=woq_config)
outputs=model.generate(inputs,streamer=streamer,max_new_tokens=300)

△可左滑看完整版

性能測試

經(jīng)過持續(xù)努力，上述優(yōu)化方案的INT4性能得到了顯著提升。本文在搭載英特爾至強鉑金8480+的系統(tǒng)上與llama.cpp進行了性能比較；系統(tǒng)配置詳情如下：@3.8GHz，56核/路，啟用超線程，啟用睿頻，總內存 256 GB (16 x 16 GB DDR5 4800 MT/s [4800 MT/s])，BIOS 3A14.TEL2P1，微代碼0x2b0001b0，CentOS Stream 8。

當輸入大小為32、輸出大小為32、beam為1時的推理性能測試結果，詳見下表：

△表1.LLM Runtime與llama.cpp推理性能比較（輸入大小=32，輸出大小=32，beam=1）

輸入大小為1024、輸出大小為32、beam為1時的推理性能的測試結果，詳見下表：

△表2.LLM Runtime與llama.cpp推理性能比較（輸入大小=1024，輸出大小=32，beam=1）

根據(jù)上表2可見：與同樣運行在第四代英特爾至強可擴展處理器上的llama.cpp相比，無論是首個token還是下一個token，LLM Runtime都能顯著降低時延，且首個token和下一個token的推理速度分別提升多達 40 倍[a]（Baichuan-13B，輸入為1024）和2.68倍[b]（MPT-7B，輸入為1024）。llama.cpp的測試采用的是默認代碼庫[10]。

而綜合表1和表2的測試結果，可得：與同樣運行在第四代英特爾至強可擴展處理器上的llama.cpp相比，LLM Runtime能顯著提升諸多常見LLM的整體性能：在輸入大小為1024時，實現(xiàn)3.58到21.5倍的提升；在輸入大小為32時，實現(xiàn)1.76到3.43倍的提升[c]。

準確性測試

英特爾Extension for Transformers可利用英特爾Neural Compressor中的SignRound[11]、RTN和GPTQ[12]等量化方法，并使用lambada_openai、piqa、winogrande和hellaswag數(shù)據(jù)集驗證了 INT4 推理準確性。下表是測試結果平均值與FP32準確性的比較。

△表3.INT4與FP32準確性對比

從上表3可以看出，多個模型基于LLM Runtime進行的INT4推理準確性損失微小，幾乎可以忽略不記。我們驗證了很多模型，但由于篇幅限制此處僅羅列了部分內容。如您欲了解更多信息或細節(jié)，請訪問此鏈接：https://medium.com/@NeuralCompressor/llm-performance-of-intel-extension-for-transformers-f7d061556176。

更先進的功能：滿足LLM更多場景應用需求

同時，LLM Runtime[8]還具備雙路CPU的張量并行化功能，是較早具備此類功能的產(chǎn)品之一。未來，還會進一步支持雙節(jié)點。

然而，LLM Runtime的優(yōu)勢不僅在于其更出色的性能和準確性，我們也投入了大量的精力來增強其在聊天應用場景中的功能，并且解決了LLM 在聊天場景中可能會遇到的以下應用難題：

1. 對話不僅關乎LLM推理，對話歷史也很有用。

2. 輸出長度有限：LLM模型預訓練主要基于有限的序列長度。因此，當序列長度超出預訓練時使用的注意力窗口大小時，其準確性便會降低。

3. 效率低下：在解碼階段，基于Transformer的LLM會存儲所有先前生成的token的鍵值狀態(tài)(KV)，從而導致內存使用過度，解碼時延增加。

關于第一個問題，LLM Runtime的對話功能通過納入更多對話歷史數(shù)據(jù)以及生成更多輸出加以解決，而llama.cpp目前尚未能很好地應對這一問題。

關于第二和第三個問題，我們將流式LLM（Steaming LLM)集成到英特爾Extension for Transformers中，從而能顯著優(yōu)化內存使用并降低推理時延。

Streaming LLM

與傳統(tǒng)KV緩存算法不同，我們的方法結合了注意力匯聚(Attention Sink)（4個初始token）以提升注意力計算的穩(wěn)定性，并借助滾動KV緩存保留最新的token，這對語言建模至關重要。該設計具有強大的靈活性，可無縫集成到能夠利用旋轉位置編碼RoPE和相對位置編碼ALiBi的自回歸語言模型中。

△圖2.Steaming LLM的KV緩存（圖片來源：通過注意力下沉實現(xiàn)高效流式語言模型[13]）

此外，與llama.cpp不同，本優(yōu)化方案還引入了“n_keep”和“n_discard”等參數(shù)來增強Streaming LLM策略。用戶可使用前者來指定要在KV緩存中保留的token數(shù)量，并使用后者來確定在已生成的token中要舍棄的數(shù)量。為了更好地平衡性能和準確性，系統(tǒng)默認在KV緩存中舍棄一半的最新token。

同時，為進一步提高性能，我們還將Streaming LLM添加到了MHA融合模式中。如果模型是采用旋轉位置編碼(RoPE)來實現(xiàn)位置嵌入，那么只需針對現(xiàn)有的K-Cache應用“移位運算（shift operation）”，即可避免對先前生成的、未被舍棄的token進行重復計算。這一方法不僅充分利用了長文本生成時的完整上下文大小，還能在KV緩存上下文完全被填滿前不產(chǎn)生額外開銷。

“shift operation”依賴于旋轉的交換性和關聯(lián)性，或復數(shù)乘法。例如：如果某個token的K-張量初始放置位置為m并且旋轉了m×θ_ifor i ∈ [0,d/2），那么當它需要移動到m-1這個位置時，則可以旋轉回到（-1）×θ_ifori ∈ [0,d/2）。這正是每次舍棄n_discard個token的緩存時發(fā)生的事情，而此時剩余的每個token都需要“移動”n_discard個位置。下圖以“n_keep=4、n_ctx=16、n_discard=1”為例，展示了這一過程。

△圖3.Ring-Buffer KV-Cache和Shift-RoPE工作原理

需要注意的是：融合注意力層無需了解上述過程。如果對K-cache和V-cache進行相同的洗牌，注意力層會輸出幾乎相同的結果（可能存在因浮點誤差導致的微小差異）。

您可通過以下代碼啟動Streaming LLM：

fromtransformersimportAutoTokenizer,TextStreamer
fromintel_extension_for_transformers.transformersimportAutoModelForCausalLM,WeightOnlyQuantConfig
model_name="Intel/neural-chat-7b-v1-1"#HuggingFacemodel_idorlocalmodel
woq_config=WeightOnlyQuantConfig(compute_dtype="int8",weight_dtype="int4")
prompt="Onceuponatime,alittlegirl"

tokenizer=AutoTokenizer.from_pretrained(model_name,trust_remote_code=True)
inputs=tokenizer(prompt,return_tensors="pt").input_ids
streamer=TextStreamer(tokenizer)

model=AutoModelForCausalLM.from_pretrained(model_name,quantization_config=woq_config,trust_remote_code=True)

#Recommendn_keep=4todoattentionsinks(fourinitialtokens)andn_discard=-1todrophalfrencetlytokenswhenmeetlengththreshold

outputs=model.generate(inputs,streamer=streamer,max_new_tokens=300,ctx_size=100,n_keep=4,n_discard=-1)

△可左滑看完整版

結論與展望

本文基于上述實踐經(jīng)驗，提供了一個在英特爾至強可擴展處理器上實現(xiàn)高效的低位(INT4)LLM推理的解決方案，并且在一系列常見LLM上驗證了其通用性以及展現(xiàn)了其相對于其他基于CPU的開源解決方案的性能優(yōu)勢。未來，我們還將進一步提升CPU張量庫和跨節(jié)點并行性能。

歡迎您試用英特爾Extension for Transformers[1]，并在英特爾平臺上更高效地運行LLM推理！也歡迎您向代碼倉庫(repository)提交修改請求 (pull request)、問題或疑問。期待您的反饋！

特別致謝

在此致謝為此篇文章做出貢獻的英特爾公司人工智能資深經(jīng)理張瀚文及工程師許震中、余振滔、劉振衛(wèi)、丁藝、王哲、劉宇澄。

[a]根據(jù)表2 Baichuan-13B的首個token測試結果計算而得。
[b]根據(jù)表2 MPT-7B的下一個token測試結果計算而得。
[c]當輸入大小為1024時，整體性能=首個token性能+1023下一個token性能；當輸入大小為32時，整體性能=首個token性能+31下一個token性能。

參考鏈接：

[1]英特爾Extension for Transformers

https://github.com/intel/intel-extension-for-transformers

[2]Sapphire Rapids

https://www.intel.cn/content/www/cn/zh/products/docs/processors/xeon-accelerated/4th-gen-xeon-scalable-processors.html

[3]Hugging Face transformers

https://github.com/huggingface/transformers

[4]英特爾Neural Compressor

https://github.com/intel/neural-compressor

[5]NeurIPS 2023：在CPU上實現(xiàn)高效LLM推理

https://arxiv.org/pdf/2311.00502.pdf

[6]常見LLM：

Falcon：https://falconllm.tii.ae/

LLaMA：https://ai.meta.com/blog/large-language-model-llama-meta-ai/

MPT：https://www.mosaicml.com/blog/mpt-7b

Llama2：https://ai.meta.com/llama/

BLOOM：https://huggingface.co/bigscience/bloom

OPT：https://arxiv.org/abs/2205.01068

ChatGLM2：https://github.com/THUDM/ChatGLM2-6B

GPT-J-6B：https://huggingface.co/EleutherAI/gpt-j-6b

Baichuan-13B-Base：https://huggingface.co/baichuan-inc/Baichuan-13B-Base

Baichuan2-13B-Base：https://huggingface.co/baichuan-inc/Baichuan2-13B-Base

Qwen-7B：https://huggingface.co/Qwen/Qwen-7B

Qwen-14B：https://huggingface.co/Qwen/Qwen-14B

Dolly-v2-3B：https://huggingface.co/databricks/dolly-v2-3b

[7]先進的壓縮感知運行時

NeurIPS 2022：在 CPU 上實現(xiàn)快速蒸餾

https://arxiv.org/abs/2211.07715

QuaLA-MiniLM：量化長度自適應 MiniLM

https://arxiv.org/abs/2210.17114

NeurIPS 2021：一次剪枝，一勞永逸：對預訓練語言模型進行稀疏/剪枝

https://arxiv.org/abs/2111.05754

[8]LLM Runtime

https://github.com/intel/intel-extension-for-transformers/tree/main/intel_extension_for_transformers/llm/runtime/graph

[9]GGML

https://github.com/ggerganov/ggml

[10]llama.cpp

https://github.com/ggerganov/llama.cpp

[11]SignRound

https://arxiv.org/abs/2309.05516

[12]GPTQ

https://arxiv.org/abs/2210.17323

[13]通過注意力下沉實現(xiàn)高效流式語言模型

http://arxiv.org/abs/2309.17453

本文轉載自：量子位