共计 1596 个字符，预计需要花费 4 分钟才能阅读完成。
从 LLM 火爆以来，社区曾经呈现了十分多优良的模型，当然他们最大的特点就是体积大，最近为了让大模型能够在更低端的设施上运行，社区做了十分多的工作，gptq 实现了将模型进行低比特量化，因而升高了运行大模型对 CPU 内存，GPU 显存的要求，llama.cpp 实现了在本地 CPU/GPU 上就能够运行大模型，并且步骤非常简单，replit-code-v1-3b 用更小的模型实现了更智能的 code 生成。能够看到模型的小型化和轻量部署也是一个大模型的倒退方向。
鉴于此，MegEngine 团队开发了 InferLLM 工程，次要目标有两个：
- 提供一个比 llama.cpp 更简略更容易上手的本地部署框架，供大家学习和探讨
- 让 LLM 模型在本地或者端上部署成为可能，将来能够用在一些理论的生产环境中
相比 llama.cpp 工程，InferLLM 构造更简略，对一些通用组件进行了重构，防止将所有逻辑代码和 kernel 代码放在一个文件中，防止在 Kernel 中引入过多的宏影响代码浏览和开发，llama.cpp 对于学习和二次开发不是很敌对，InferLLM 也是次要借鉴 llama.cpp，如：应用 llama.cpp 的模型格局，以及 copy 了一些计算的 code，同时 InferLLM 对其进行了重构，使得代码更简略间接，非常容易上手，框架代码和 kernel 代码离开，其实在大模型推理中，真正须要优化的 kernel 是远远小于 CNN 的 kernel 的。
另外 InferLLM 也能够用在生产中，因为它能够将 LLM 量化的模型在一个性能个别的手机上晦涩的运行，能够进行晦涩的进行人机对话，目前在手机上运行一个 llama 7b 4bit 的模型，只须要 4G 左右内存，这个内存是当初大多数手机都能满足的。置信在不久之后会呈现很多大模型中的轻量化模型，能够间接在端上进行部署和推理，毕竟目前手机是大家最容易取得的计算资源，没有理由节约如此宏大的计算集群。
上面是在 xiaomi9，Qualcomm SM8150 Snapdragon 855 上应用 4 线程运行中文 alpaca 7b 4bit 量化模型的状况：
InferLLM 次要由几局部组成
- Model：次要负责输出的 tokenizer，词汇表治理，存储一些历史的 token 以及 Decoder 之后的采样等。
- Graph/Op：负责创立整个模型，包含模型的中 Op 间接的连贯关系，Op 的执行，以及 Op 输入输出等内存资源的治理
- Kernel：提供不同后端优化的 Kernel，目前包含 x86，Arm，naive，当 x86 和 Arm 中没有优化的 Kernel，会间接 fallback 到 naive 中进行运行
InferLLM 次要反对以下性能：
- 反对每个 Op 执行前筹备资源，每个 Op 执行前都须要调用 pre_execute，执行之后调用 end_execute。这样能够不便在内存不足的设施上，在执行前从磁盘两头权重读取到 RAM 中，执行实现之后将权重存回磁盘中，也能够间接应用 mmap，让操作系统主动解决这些逻辑
- 反对每一个 Multi-Head Attention 的 KV cache，每次计算出来的 Key 和 Value 都保留在 KVStorage 中，KVStorage 反对通过 token 的 id 索引，另外如果 KV 的 cache 过大时，还反对将其 swap 进来
- 反对 CPU 上多线程，SIMD，量化，float16 计算等减速形式，多线程是通过本人实现的一个相似 OpenMP 动态调度的逻辑，应用无锁的线程池来进行多线程之间的同步
- 能够兼容多种模型格局，目前仅仅反对了 llama 相似的模型，将来将反对更多的模型构造
欢送大家试用 InferLLM
附：
更多 MegEngine 信息获取，您能够：查看文档和 GitHub 我的项目，或退出 MegEngine 用户交换 QQ 群：1029741705。欢送参加 MegEngine 社区奉献，成为 Awesome MegEngineer，荣誉证书、定制礼品享不停。
