研究人员开发了DualPace,一种旨在提高推理吞吐量和降低延迟的新型LLM服务运行时。DualPace将GPU和CPU引擎之间的调度解耦,允许CPU独立处理请求并更有效地利用主机内存。与vLLM和NEO等现有系统相比,这种协同方法可将服务吞吐量提高高达90.6%,同时保持可比的延迟。 AI
影响 DualPace的方法可以显著提高部署大型语言模型的效率和成本效益。
排序理由 该集群描述了一篇关于LLM服务新颖系统的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Advanced Matrix Extensions
- arXiv
- central processing unit
- DualPace
- graphics processing unit
- Hugging Face
- vLLM
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →