English(EN) CAMP: Context-Aware Mapping and Placement for LLMs on 3D-IMC Arrays

新算法 CAMP 优化 LLM 在 3D-IMC 阵列上的映射

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-06 05:00

研究人员开发了 CAMP，这是一种新颖的算法，旨在优化大型语言模型 (LLM) 权重在 3D-内存计算 (3D-IMC) 阵列上的放置。该方法通过分析基于架构、网络和运行时上下文的潜在资源争用，解决了最大化并发计算的挑战。通过采用由性能分析驱动的反馈循环，CAMP 将 3D-IMC 的计算利用率从 42.4% 提高到 60.3%，从而显著提高了整体吞吐量。 AI

影响优化 LLM 推理效率，可能降低 AI 应用的延迟和能耗。

排序理由该集群描述了在 arXiv 研究论文中提出的一种新算法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了在 arXiv 研究论文中提出的一种新算法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Orhun G\"orkem, Athanasios Vasilopoulos, Georgios Pagonis, Victoria Clerico, Hadjer Benmeziane, Irem Boybat, Hsinyu Tsai, Abu Sebastian, William Andrew Simon · 2026-11-06 05:00

CAMP: LLMs在3D-IMC阵列上的上下文感知映射与放置

arXiv:2611.07707v1 Announce Type: cross Abstract: Large Language Models (LLMs) incur severe memory-access overheads due to the cost of loading large weight matrices and key-value (KV) caches. Analog In-Memory Computing (AIMC) is an emerging solution that enables computation direc…

本文如何被排名

报道来源 [1]

CAMP: LLMs在3D-IMC阵列上的上下文感知映射与放置

相关实体

相关话题