本现场报告详细介绍了将 Google 的 Gemma-4 模型（2B、4B 和 12B 参数）成功移植到 AWS Inferentia2 硬件的过程。该过程克服了三个主要障碍：混合注意力头、现有框架（如 vLLM 和 optimum-neuron）的限制以及 Neuron 编译器的约束。通过直接追踪 Hugging Face 的前向传播并为 KV 共享和张量并行实现特定策略，作者实现了所有三种模型尺寸的连贯服务，其性能指标可与 CPU 参考相媲美。 AI
影响 使 Google 的 Gemma 模型能够在 AWS 基础设施上更高效地部署。
排序理由 现场报告，详细介绍现有模型移植到新硬件的技术过程。[lever_c_demoted from research: ic=1 ai=0.7]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
