研究人员开发了一种名为NVLinkOneSided的新方法,用于加速NVLink上的混合专家(MoE)模型的推理。该方法通过允许GPU之间直接推送Token来优化专家并行全互联通信,绕过元数据交换并降低延迟,尤其适用于小批量大小。在Blackwell GPU上的基准测试显示,NVLinkOneSided相比DeepEP等现有方法实现了1.2-3.0倍的加速,使MoE层速度提升高达2.4倍,在解码任务中具有竞争力。 AI
影响 优化MoE推理,可能降低大型语言模型的延迟并提高吞吐量。
排序理由 详细介绍MoE模型新推理优化技术的学术论文。[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 →