延迟降低2倍！英特尔披露至强6处理器针对Meta Llama 3模型的推理性能

4月20日消息，近日，Meta重磅推出其80亿和700亿参数的Meta Llama 3开源大模型。该模型引入了改进推理等新功能和更多的模型尺寸，并采用全新标记器（Tokenizer），旨在提升编码语言效率并提高模型性能。

在模型发布的第一时间，英特尔即验证了Llama 3能够在包括英特尔至强处理器在内的丰富AI产品组合上运行，并披露了即将发布的英特尔至强6性能核处理器（代号为Granite Rapids）针对Meta Llama 3模型的推理性能。

英特尔至强处理器可以满足要求严苛的端到端AI工作负载的需求。以第五代至强处理器为例，每个核心均内置了AMX加速引擎，能够提供出色的AI推理和训练性能。截至目前，该处理器已被众多主流云服务商所采用。不仅如此，至强处理器在进行通用计算时，能够提供更低时延，并能同时处理多种工作负载。

事实上，英特尔一直在持续优化至强平台的大模型推理性能。例如，相较于Llama 2模型的软件，PyTorch及英特尔PyTorch扩展包（IntelExtension for PyTorch）的延迟降低了5倍。这一优化是通过Paged Attention算法和张量并行实现的，这是因为其能够最大化可用算力及内存带宽。下图展示了80亿参数的Meta Lama 3模型在AWS m7i.metal-48x实例上的推理性能，该实例基于第四代英特尔至强可扩展处理器。

AWS实例上Llama 3的下一个Token延迟

不仅如此，英特尔还首次披露了即将发布的产品——英特尔至强6性能核处理器（代号为Granite Rapids）针对Meta Llama 3的性能测试。结果显示，与第四代至强处理器相比，英特尔至强6处理器在80亿参数的Llama 3推理模型的延迟降低了2倍，并且能够以低于100毫秒的token延迟，在单个双路服务器上运行诸如700亿参数的Llama 3这种更大参数的推理模型。

基于英特尔至强 6性能核处理器（代号Granite Rapids）的Llama 3下一个Token延迟

考虑到Llama 3具备更高效的编码语言标记器（Tokenizer），测试采用了随机选择的prompt对Llama 3和Llama 2进行快速比较。在prompt相同的情况下，Llama 3所标记的token数量相较Llama 2减少18%。因此，即使80亿参数的Llama 3模型比70亿参数的Llama 2模型参数更高，在AWS m7i.metal-48xl实例上运行BF16推理时，整体prompt的推理时延几乎相同（该评估中，Llama 3比Llama 2快1.04倍）。

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。