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

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(lái)優(yōu)化其 GPU，可以加速 GPT-3（175 B），Llama Falcom（180 B）和 Bloom 模型。

TensorRT-LLM 的亮點(diǎn)在于引入了名為 In-Flight 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(qǐng)求時(shí)，動(dòng)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(cè)試中，英偉達(dá)以 A100 為基礎(chǔ)，對(duì)比了 H100 以及啟用 TensorRT-LLM 的 H100，在 GPT-J 6B 推理中，H100 推理性能比 A100 提升 4 倍，而啟用 TensorRT-LLM 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 TensorRT-LLM 的 H100 性能是 A100 的 4.6 倍。

在此附上報(bào)告原文，感興趣的用戶可以深入閱讀。

廣告聲明：文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，所有文章均包含本聲明。

總結(jié)

以上是生活随笔為你收集整理的H100 推理性能最高提升 8 倍，英伟达发布 TensorRT-LLM的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。