英伟达9月23日发布博文,宣布推出Llama-3.1-Nemotron-51B AI模型,源自Meta公司的Llama-3.1-70B,不过创新使用神经架构搜索(NAS)方法,建立了一个高度准确和高效的模型。
W9a H]9b 3<'SnP3mY Llama-3.1-Nemotron-51B简介
'=%vf "}Ya. Llama-3.1-Nemotron-51B AI模型将于Meta公司2024年7月发布的Llama-3.1-70B模型,共有510亿参数。
:tzCuK?e i&"I/!3Q@ 该AI模型主要采用了神经架构搜索(NAS)技术微调,平衡性能和效率,在高工作负荷下,只需要一片H100 GPU即可运行,大大降低了内存消耗、计算复杂性以及与运行此类大型模型相关的成本。
urXM}^ )9L1WOGi 英伟达认为这种方式在保持了出色的精度前提下,显著降低了内存占用、内存带宽和FLOPs,并证明可以在创建另一个更小、更快的变体来加以推广。
jr~76 [S3X Llama-3.1-Nemotron-51B性能
ffuV$# B-r9\fi, 相比较Meta的Llama-3.1-70B模型,Llama-3.1-Nemotron-51B在保持了几乎相同的精度情况下,推理速度提高了2.2倍。
3ywBq9FGhp l3l[jDa, 2 效率和性能方面的突破
HYW+,ts' P%%Cd 开发LLM过程中面临的主要挑战之一是如何平衡精度与计算效率。许多大规模模型都能提供最先进的结果,但却需要耗费大量的硬件和能源资源,这限制了它们的适用性。
Lrr6z05F Q QJGRi 英伟达的新模型在这两个相互竞争的因素之间取得了微妙的平衡。
SGjaH8z w7w$z_P Llama-3.1-Nemotron-51B实现了令人印象深刻的精度与效率权衡,减少了内存带宽,降低了每秒浮点运算次数(FLOP),并减少了总体内存占用,同时不影响模型执行推理、总结和语言生成等复杂任务的能力。
U/|B IF D@O'8 改进工作量管理,提高成本效益
F}i rCi47c +,c;Dff Llama-3.1-Nemotron-51B的一个突出特点是能够在单个GPU上管理更大的工作负载。该型号允许开发人员在更具成本效益的环境中部署高性能LLMs,在一个H100设备上运行以前需要多个GPU才能完成的任务。
k{"~G#GwP kpK:@ Llama-3.1-Nemotron-51B模型还减少了内存占用,在推理过程中可以在单个GPU上运行4倍以上的工作负载,从而带来了一系列新的机遇。
t2tH%%Rs w;r -TLf 架构优化:成功的关键
0&-!v?6) nSgg'I( Llama-3.1-Nemotron-51B的成功主要归功于一种新颖的结构优化方法。传统上,LLMs是使用相同的块构建的,这些块在整个模型中重复出现。
<NT /+>:2
J"FKd3~:E 这虽然简化了构建过程,但也带来了效率低下的问题,特别是在内存和计算成本方面。
6q6&N'We LdVGFlcXi 英伟达通过采用NAS技术来优化推理模型,从而解决了这些问题。该团队采用了分块蒸馏过程,即训练更小、更高效的学生模型(student model),以模仿更大的教师模型(teacher model)的功能。
:vX;>SH$p P#rwYPww\ 通过完善这些学生模型并评估其性能,英伟达开发出了Llama-3.1版本,在大幅降低资源需求的同时,还能提供类似的准确度。
jVk|( fs>0{ Puzzle算法和知识蒸馏
$T]1<3\G bKG:_mWe w Llama-3.1-Nemotron-51B有别于其他模型的另一个关键组件,就是Puzzle算法。
U5izOFc n1buE1r? 该算法对模型中的每个潜在区块进行评分,并确定哪些配置能在速度和精度之间取得最佳平衡。
*.voN[$~ -+Quw2465^ 通过使用知识蒸馏技术,Nvidia缩小了参考模型(Llama-3.1-70B)与Nemotron-51B之间的精度差距,同时显著降低了训练成本。
MeP U`M-- 9c#9KCmc D95$ POUB{ba nb0<.ICF%R 附上参考地址
]WyV~Dzz< .F)--% Advancing the Accuracy-Efficiency Frontier with Llama-3.1-Nemotron-51B
|mY<TWoX br$!}7#=L Nvidia AI Releases Llama-3.1-Nemotron-51B: A New LLM that Enables Running 4x Larger Workloads on a Single GPU During Inference
d'Gv \i&e