H100推理性能最高提升8倍，英偉達(dá)發(fā)布TensorRT-LLM模型

H100推理性能最高提升8倍，英偉達(dá)發(fā)布TensorRTLLM模型

IT之家 9 月 9 日消息，英偉達(dá)今天宣布推出名為 TensorRTLLM，是一個(gè)深度優(yōu)化的開源庫，能夠在 Hopper 等 AI GPU 上加速所有大語音模型的推理性能。

英偉達(dá)目前已經(jīng)和開源社區(qū)合作，利用 SmoothQuant、FlashAttention 和 fMHA 等尖端技術(shù)，實(shí)現(xiàn) AI 內(nèi)核來優(yōu)化其 GPU，可以加速 GPT3（175 B），Llama Falcom（180 B）和 Bloom 模型。

TensorRTLLM 的亮點(diǎn)在于引入了名為 InFlight batching 的調(diào)度方案，允許工作獨(dú)立于其他任務(wù)進(jìn)入和退出 GPU。

該方案允許同一 GPU 在處理大型計(jì)算密集型請求時(shí)，動態(tài)處理多個(gè)較小的查詢，提高 GPU 的處理性能，可以讓 H100 的吞吐量加快 2 倍。

在性能測試中，英偉達(dá)以 A100 為基礎(chǔ)，對比了 H100 以及啟用 TensorRTLLM 的 H100，在 GPTJ 6B 推理中，H100 推理性能比 A100 提升 4 倍，而啟用 TensorRTLLM 的 H100 性能是 A100 的 8 倍。

在 Llama 2 中，H100 推理性能是 A100 的 2.6 倍；而啟用 TensorRTLLM 的 H100 性能是 A100 的 4.6 倍。

IT之家在此附上報(bào)告原文，感興趣的用戶可以深入閱讀。