PulseAugur
实时 04:05:34

LLM推理效率在边缘设备和云GPU上的探索

两篇新研究论文探讨了高效运行大型语言模型(LLM)的挑战。第一篇论文研究了在智能手机和专用NPU等边缘设备上部署LLM的性能权衡,强调了热限制和内存带宽限制。第二篇论文介绍了一个使用启发式算法的可扩展框架,用于优化异构GPU云环境中LLM推理的资源分配,旨在满足服务水平目标的同时最大限度地降低成本。 AI

影响 这些论文为优化LLM在设备端和云端的性能和成本提供了见解,这对于扩展AI应用至关重要。

排序理由 该集群包含两篇讨论LLM推理性能和资源分配的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →

LLM推理效率在边缘设备和云GPU上的探索

报道来源 [3]

  1. arXiv cs.AI TIER_1 English(EN) · Shan Yu, Yifan Qiao, Mingyuan Ma, Yangmin Li, Shuo Yang, Xinyuan Tong, Yang Wang, Zhiqiang Xie, Yuwei An, Shiyi Cao, Ke Bao, Deepak Vij, Xiaoning Ding, Yichen Wang, Qingda Lu, Zhong Wang, Gao Gao, Harry Xu, Junyi Shu, Jiarong Xing, Ying Sheng ·

    Prism:通过 GPU 内存气球化实现高成本效益的多 LLM 服务

    arXiv:2505.04021v3 Announce Type: replace-cross Abstract: Inference providers must maintain availability for many LLMs, including low-volume but essential models, making resource efficiency increasingly important as token prices fall. Analysis of production traces reveals a dynam…

  2. arXiv cs.LG TIER_1 English(EN) · Pranay Tummalapalli, Sahil Arayakandy, Ritam Pal, Kautuk Kundan ·

    边缘端大语言模型推理:移动端、NPU 和 GPU 在持续负载下的性能效率权衡

    arXiv:2603.23640v2 Announce Type: replace-cross Abstract: Deploying large language models on-device for always-on personal agents demands sustained inference from hardware tightly constrained in power, thermal envelope, and memory. We benchmark Qwen 2.5 1.5B (4-bit quantised) acr…

  3. arXiv cs.LG TIER_1 English(EN) · Jiaming Cheng, Duong Tung Nguyen ·

    面向异构GPU云中受 SLO 约束的 LLM 推理的可扩展联合资源分配

    arXiv:2604.07472v2 Announce Type: replace Abstract: Serving large language model (LLM) inference in cloud environments requires jointly optimizing model selection, GPU provisioning, parallelism configuration, and workload routing under latency, accuracy, memory, and budget constr…