英特爾披露至強(qiáng)6處理器針對Meta Llama 3模型的推理性能

近日，Meta重磅推出其80億和700億參數(shù)的Meta Llama 3開源大模型。該模型引入了改進(jìn)推理等新功能和更多的模型尺寸，并采用全新標(biāo)記器（Tokenizer），旨在提升編碼語言效率并提高模型性能。

在模型發(fā)布的第一時間，英特爾即驗證了Llama 3能夠在包括英特爾?至強(qiáng)?處理器在內(nèi)的豐富AI產(chǎn)品組合上運(yùn)行，并披露了即將發(fā)布的英特爾至強(qiáng)6性能核處理器（代號為Granite Rapids）針對Meta Llama 3模型的推理性能。

英特爾至強(qiáng)處理器可以滿足要求嚴(yán)苛的端到端AI工作負(fù)載的需求。以第五代至強(qiáng)處理器為例，每個核心均內(nèi)置了AMX加速引擎，能夠提供出色的AI推理和訓(xùn)練性能。截至目前，該處理器已被眾多主流云服務(wù)商所采用。不僅如此，至強(qiáng)處理器在進(jìn)行通用計算時，能夠提供更低時延，并能同時處理多種工作負(fù)載。

事實上，英特爾一直在持續(xù)優(yōu)化至強(qiáng)平臺的大模型推理性能。例如，相較于Llama 2模型的軟件，PyTorch及英特爾? PyTorch擴(kuò)展包（Intel? Extension for PyTorch）的延遲降低了5倍。這一優(yōu)化是通過Paged Attention算法和張量并行實現(xiàn)的，這是因為其能夠最大化可用算力及內(nèi)存帶寬。下圖展示了80億參數(shù)的Meta Lama 3模型在AWS m7i.metal-48x實例上的推理性能，該實例基于第四代英特爾至強(qiáng)可擴(kuò)展處理器。

圖1：AWS實例上Llama 3的下一個Token延遲

不僅如此，英特爾還首次披露了即將發(fā)布的產(chǎn)品——英特爾?至強(qiáng)? 6性能核處理器（代號為Granite Rapids）針對Meta Llama 3的性能測試。結(jié)果顯示，與第四代至強(qiáng)處理器相比，英特爾至強(qiáng)6處理器在80億參數(shù)的Llama 3推理模型的延遲降低了2倍，并且能夠以低于100毫秒的token延遲，在單個雙路服務(wù)器上運(yùn)行諸如700億參數(shù)的Llama 3這種更大參數(shù)的推理模型。

圖2：基于英特爾?至強(qiáng)? 6性能核處理器（代號Granite Rapids）的Llama 3下一個Token延遲

考慮到Llama 3具備更高效的編碼語言標(biāo)記器（Tokenizer），測試采用了隨機(jī)選擇的prompt對Llama 3和Llama 2進(jìn)行快速比較。在prompt相同的情況下，Llama 3所標(biāo)記的token數(shù)量相較Llama 2減少18%。因此，即使80億參數(shù)的Llama 3模型比70億參數(shù)的Llama 2模型參數(shù)更高，在AWS m7i.metal-48xl實例上運(yùn)行BF16推理時，整體prompt的推理時延幾乎相同（該評估中，Llama 3比Llama 2快1.04倍）。

開發(fā)者可在此查閱在英特爾至強(qiáng)平臺上運(yùn)行Llama 3的說明。