英特爾披露至強6處理器針對Meta Llama 3模型的推理性能

近日，Meta重磅推出其80億和700億參數的Meta Llama 3開源大模型。該模型引入了改進推理等新功能和更多的模型尺寸，并采用全新標記器（Tokenizer），旨在提升編碼語言效率并提高模型性能。

在模型發布的第一時間，英特爾即驗證了Llama 3能夠在包括英特爾^?至強^?處理器在內的豐富AI產品組合上運行，并披露了即將發布的英特爾至強6性能核處理器（代號為Granite Rapids）針對Meta Llama 3模型的推理性能。

圖1 AWS實例上Llama 3的下一個Token延遲

英特爾至強處理器可以滿足要求嚴苛的端到端AI工作負載的需求。以第五代至強處理器為例，每個核心均內置了AMX加速引擎，能夠提供出色的AI推理和訓練性能。截至目前，該處理器已被眾多主流云服務商所采用。不僅如此，至強處理器在進行通用計算時，能夠提供更低時延，并能同時處理多種工作負載。

事實上，英特爾一直在持續優化至強平臺的大模型推理性能。例如，相較于Llama 2模型的軟件，PyTorch及英特爾^? PyTorch擴展包（Intel^? Extension for PyTorch）的延遲降低了5倍。這一優化是通過Paged Attention算法和張量并行實現的，這是因為其能夠最大化可用算力及內存帶寬。下圖展示了80億參數的Meta Lama 3模型在AWS m7i.metal-48x實例上的推理性能，該實例基于第四代英特爾至強可擴展處理器。

圖2 基于英特爾^?至強^? 6性能核處理器（代號Granite Rapids）的Llama 3下一個Token延遲

不僅如此，英特爾還首次披露了即將發布的產品——英特爾^?至強^? 6性能核處理器（代號為Granite Rapids）針對Meta Llama 3的性能測試。結果顯示，與第四代至強處理器相比，英特爾至強6處理器在80億參數的Llama 3推理模型的延遲降低了2倍，并且能夠以低于100毫秒的token延遲，在單個雙路服務器上運行諸如700億參數的Llama 3這種更大參數的推理模型。

考慮到Llama 3具備更高效的編碼語言標記器（Tokenizer），測試采用了隨機選擇的prompt對Llama 3和Llama 2進行快速比較。在prompt相同的情況下，Llama 3所標記的token數量相較Llama 2減少18%。因此，即使80億參數的Llama 3模型比70億參數的Llama 2模型參數更高，在AWS m7i.metal-48xl實例上運行BF16推理時，整體prompt的推理時延幾乎相同（該評估中，Llama 3比Llama 2快1.04倍）。