Affinity-Aware Sharding

新的分片方法加速 Transformer 模型蒸馏

研究人员开发了一种名为面向延迟张量并行性的亲和感知分片（Affinity-Aware Sharding for Delayed Tensor Parallelism, DTP）的方法，以提高 Transformer 模型推理的效率。该技术通过允许设备在收集其他部分输出之前处理和广播部分输出，解决了标准张量并行性中的阻塞 all-reduce 问题。研究表明，通过置换模型以最大化同一设备上 KV 头部和 FFN 神经元之间的亲和力，DT…