研究人员开发了衰减感知状态压缩(DASC)方法,这是一种优化混合线性注意力模型服务的新颖方法。DASC分析不同模型组件的保留时间尺度,识别哪些状态部分可以在不显著损失质量的情况下进行压缩。通过选择性地存储和打包长时程状态单元,DASC可以将循环状态检查点的内存使用量减少高达2.63倍。这种压缩带来了推理速度的显著提升,包括平均首次令牌时间(Time to First Token)减少42.6%,以及输入吞吐量增加68.4%。 AI
影响 该技术显著提高了大型语言模型服务的效率,有可能降低基础设施成本并提高可访问性。
排序理由 该集群包含一篇详细介绍AI模型服务新技术的学术论文。[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 →