大型语言模型（LLM）凭借其强大的文本理解和生成能力，已经深刻地改变了我们的生活和工作方式。然而，这些模型通常运行在配备高端服务器级 GPU 的数据中心，这使得它们对于个人用户来说难以触及。近年来，将 LLM 部署到个人电脑（PC）上，尤其是配备消费级 GPU 的 PC 上，成为了一个热门趋势。这主要是因为个人用户希望拥有更高的数据隐私、更强的模型定制能力以及更低的推理成本。
与数据中心部署优先考虑高吞吐量不同，本地部署更关注低延迟，尤其是处理单个请求时。但是，将 LLM 部署到消费级 GPU 上也面临着巨大的挑战，主要是因为它们的内存需求非常大。LLM 通常采用自回归 Transformer 架构，逐个生成文本标记，每次生成都需要访问整个模型，而模型可能包含数百亿甚至上千亿个参数。因此，推理过程受到 GPU 内存容量的严重限制，尤其是在本地部署中，因为单个请求（通常一次只有一个）无法充分利用并行处理能力。
目前解决内存问题的方案包括模型压缩和卸载。压缩技术，例如量化、蒸馏和剪枝，可以减小模型尺寸。然而，即使是深度压缩后的模型对于消费级 GPU 来说仍然太大。例如，一个 4 位精度的 OPT-66B 模型仅仅加载参数就需要大约 40GB 的内存，这超出了即使是高端 GPU（如 NVIDIA RTX 4090）的容量。模型卸载，将模型在 Transformer 层级上分配到 GPU 和 CPU 之间，可以减轻 GPU 内存压力。例如，llama.cpp 将层分配到 CPU 和 GPU 内存中，利用两者进行推理，从而减少了 GPU 资源需求。然而，这种方法受到 PCIe 互连速度慢和 CPU 计算能力有限的限制，导致推理延迟很高。
PowerInfer 的突破：利用 LLM 推理中的高局部性
本文介绍了 PowerInfer，一个针对配备单个消费级 GPU 的 PC 的本地部署而优化的 LLM 推理系统。PowerInfer 的核心思想是利用 LLM 推理中的高局部性，将少量频繁激活的神经元分配到 GPU 上，而将大多数不常激活的神经元分配到 CPU 上。PowerInfer 在离线阶段预先选择并预加载 GPU 上的频繁激活神经元，并在运行时利用在线预测器识别激活的神经元。这种方法允许 GPU 和 CPU 独立处理各自的神经元集，从而最大限度地减少了昂贵的 PCIe 数据传输需求。
PowerInfer 的关键技术
PowerInfer 采用了一种自适应的预测器构建方法，针对激活稀疏性和偏度较高的层构建更小的预测器，从而释放 GPU 内存用于 LLM 推理。此外，PowerInfer 还设计了神经元感知的稀疏运算符，直接与单个神经元交互，从而绕过对整个矩阵的操作，实现了高效的神经元级矩阵向量乘法，并避免了对特定稀疏格式进行转换的需要。
PowerInfer 的性能评估
性能评估表明，PowerInfer 在配备单个 NVIDIA RTX 4090 GPU 的 PC 上，量化模型的平均生成速度为 13.20 个标记/秒，非量化模型的平均生成速度为 8.32 个标记/秒，同时保持了模型精度。这些结果显著优于 llama.cpp，量化模型的平均加速比为 7.23 倍，非量化模型的平均加速比为 11.69 倍。更重要的是，在 NVIDIA RTX 4090 GPU（价格约 2000 美元）上实现的推理速度仅比能够完全容纳模型的顶级 A100 GPU（价格约 20000 美元）慢 18%。
PowerInfer 的未来展望
PowerInfer 的源代码已公开发布，并计划在未来进一步完善，例如：
- 支持更多类型的 LLM 模型，例如 Mistral-7B 和 Bamboo-7B。
- 支持 Windows 系统。
- 支持 text-generation-webui。
- 支持 Metal 后端，以便在 macOS 上进行稀疏推理。
PowerInfer 的核心贡献
- 提出了一种利用 LLM 推理中高局部性的方法，将频繁激活的神经元分配到 GPU 上，而将大多数不常激活的神经元分配到 CPU 上。
- 设计了自适应的预测器构建方法和神经元感知的稀疏运算符，提高了 LLM 推理的效率。
- 通过性能评估表明，PowerInfer 显著提高了 LLM 推理速度，同时保持了模型精度。
PowerInfer 为 LLM 的本地部署开辟了新的可能性，让你的消费级显卡也能飞速运行大型语言模型，体验前所未有的智能体验！
参考文献:
- PowerInfer: Fast Large Language Model Serving with a Consumer-grade GPU. arXiv preprint arXiv:2312.12456, 2023.
- PowerInfer-2: Fast Large Language Model Inference on a Smartphone. arXiv preprint arXiv:2406.06282, 2024.
- PowerInfer GitHub repository: https://github.com/SJTU-IPADS/PowerInfer
手机上的“大脑”：PowerInfer-2 让大型语言模型飞入寻常百姓家
大型语言模型（LLM）正以前所未有的速度改变着我们的生活。从智能助手到内容创作，LLM 的强大能力已经渗透到各个领域。然而，这些“大脑”通常驻扎在拥有强大计算能力的数据中心，需要消耗大量资源。如何将 LLM 的力量带到每个人手中，成为了一项新的挑战。
手机上的 LLM：机遇与挑战
手机作为我们日常生活中不可或缺的一部分，拥有着巨大的潜力来承载 LLM，实现更加个性化、便捷的智能体验。然而，手机的计算能力和内存容量有限，难以满足 LLM 的庞大需求。
目前，主要有两种方法尝试将 LLM 部署到手机上：
- 缩减模型尺寸: 例如，Google 的 Gemini Nano 3.25B 模型仅占用 2GB 内存，但这也意味着牺牲了部分智能能力。
- 优化推理效率: 一些技术致力于降低 LLM 推理过程中的计算和存储需求，例如 PowerInfer [30] 通过将活跃神经元分配到 GPU，非活跃神经元分配到 CPU 来提高推理速度。
然而，这些方法在手机上仍然面临着挑战。手机硬件的异构性以及存储设备的带宽限制，使得 I/O 操作成为 LLM 推理的瓶颈。
PowerInfer-2：手机上的 LLM 推理加速器
为了解决这些问题，本文介绍了 PowerInfer-2，一个专门针对手机设计的 LLM 推理框架。PowerInfer-2 能够在手机上高效地执行 LLM 推理，甚至可以支持参数高达 470 亿的模型，远远超过手机的内存容量。
PowerInfer-2 的核心思想:
- 神经元集群计算: PowerInfer-2 将传统的矩阵计算分解为更细粒度的“神经元集群”计算，充分利用手机中 CPU、GPU 和 NPU 等异构计算单元。
- 多态神经元引擎: PowerInfer-2 设计了一个多态神经元引擎，根据 LLM 推理的不同阶段，采用不同的计算策略。在预填充阶段，它将所有神经元合并成一个大型神经元集群，利用 NPU 的优势进行高效计算；在解码阶段，它使用更小的神经元集群，利用 CPU 的灵活性进行更轻量级的计算。
- 分段神经元缓存: PowerInfer-2 引入了一种分段缓存机制，针对不同的 LLM 权重类型，采用不同的缓存策略，有效提高缓存命中率。
- 神经元集群级流水线: PowerInfer-2 通过将 I/O 操作与神经元集群计算重叠，有效减少 I/O 延迟带来的等待时间。
PowerInfer-2 的优势:
- 速度提升: PowerInfer-2 在手机上实现了高达 29.2 倍的速度提升，是首个能够在手机上运行 TurboSparse-Mixtral-47B 模型的系统，其生成速度达到每秒 11.68 个词。
- 内存优化: 对于完全能够放入内存的模型，PowerInfer-2 能够在保持推理速度的情况下，将内存使用量减少约 40%。
PowerInfer-2 的工作原理:
PowerInfer-2 的工作流程分为离线规划和在线推理两个阶段。在离线规划阶段，系统会根据用户需求和硬件配置，生成一个执行计划，指导在线推理过程。
在线推理阶段，PowerInfer-2 利用多态神经元引擎，根据不同的推理阶段，动态地将神经元组合成神经元集群，并使用分段缓存和神经元集群级流水线技术，有效降低 I/O 延迟，提高推理速度。
PowerInfer-2 的未来展望:
PowerInfer-2 的出现，为将 LLM 部署到手机上开辟了新的道路，为我们带来了更便捷、更智能的移动体验。相信未来，随着技术的不断进步，手机上的 LLM 将会更加强大，为我们带来更多惊喜。
参考文献:
- Xue, Zhenliang, et al. "PowerInfer-2: Fast Large Language Model Inference on a Smartphone." arXiv preprint arXiv:2406.06282 (2024).