研究人员推出ExFold,一个旨在加速混合专家(MoE)模型推理速度的新型框架。这种无需训练的方法通过将排除的专家的贡献映射到保留的专家上来解决MoE预填充和解码阶段的独特瓶颈。ExFold实现了显著的加速,首个标记生成时间(time-to-first-token)最多可提高1.41倍,每个输出标记生成时间(time-per-output-token)最多可提高2.45倍,同时保持约99%的原始模型质量。该框架作为vLLM的插件实现,并包含一个专门的CUDA内核以实现高效的专家折叠。 AI
影响 加速MoE模型推理,可能实现更大语言模型的更快、更高效的部署。
排序理由 该集群描述了一篇详细介绍用于加速AI模型推理的新型框架的新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →