英伟达发布 Llama-3.1-Nemotron-51B AI 模型:创新神经架构搜索等技术让单 H100 GPU 运行 4 倍以上负载

9 月 25 日消息,英伟达 9 月 23 日发布博文,宣布推出 Llama-3.1-Nemotron-51B AI 模型,源自 Meta 公司的 Llama-3.1-70B,不过创新使用神经架构搜索(NAS)方法,建立了一个高度准确和高效的模型。

Llama-3.1-Nemotron-51B 简介

Llama-3.1-Nemotron-51B AI 模型将于 Meta 公司 2024 年 7 月发布的 Llama-3.1-70B 模型,共有 510 亿参数。

该 AI 模型主要采用了神经架构搜索(NAS)技术微调,平衡性能和效率,在高工作负荷下,只需要一片 H100 GPU 即可运行,大大降低了内存消耗、计算复杂性以及与运行此类大型模型相关的成本。

英伟达认为这种方式在保持了出色的精度前提下,显著降低了内存占用、内存带宽和 FLOPs,并证明可以在创建另一个更小、更快的变体来加以推广。

Llama-3.1-Nemotron-51B 性能

相比较 Meta 的 Llama-3.1-70B 模型,Llama-3.1-Nemotron-51B 在保持了几乎相同的精度情况下,推理速度提高了 2.2 倍。

准确率 能效
MT Bench MMLU Text generation (128/1024) Summarization/ RAG (2048/128)
Llama-3.1- Nemotron-51B- Instruct 8.99 80.2% 6472 653
Llama 3.1-70B- Instruct 8.93 81.66% 2975 339
Llama 3.1-70B- Instruct (single GPU) 1274 301
Llama 3-70B 8.94 80.17% 2975 339

效率和性能方面的突破

开发 LLM 过程中面临的主要挑战之一是如何平衡精度与计算效率。许多大规模模型都能提供最先进的结果,但却需要耗费大量的硬件和能源资源,这限制了它们的适用性。

英伟达的新模型在这两个相互竞争的因素之间取得了微妙的平衡。

Llama-3.1-Nemotron-51B 实现了令人印象深刻的精度与效率权衡,减少了内存带宽,降低了每秒浮点运算次数 (FLOP),并减少了总体内存占用,同时不影响模型执行推理、总结和语言生成等复杂任务的能力。

改进工作量管理,提高成本效益

Llama-3.1-Nemotron-51B 的一个突出特点是能够在单个 GPU 上管理更大的工作负载。该型号允许开发人员在更具成本效益的环境中部署高性能 LLMs,在一个 H100 设备上运行以前需要多个 GPU 才能完成的任务。

Llama-3.1-Nemotron-51B 模型还减少了内存占用,在推理过程中可以在单个 GPU 上运行 4 倍以上的工作负载,从而带来了一系列新的机遇。

架构优化:成功的关键

Llama-3.1-Nemotron-51B 的成功主要归功于一种新颖的结构优化方法。传统上,LLMs 是使用相同的块构建的,这些块在整个模型中重复出现。

这虽然简化了构建过程,但也带来了效率低下的问题,特别是在内存和计算成本方面。

英伟达通过采用 NAS 技术来优化推理模型,从而解决了这些问题。该团队采用了分块蒸馏过程,即训练更小、更高效的学生模型(student model),以模仿更大的教师模型(teacher model)的功能。

通过完善这些学生模型并评估其性能,英伟达开发出了 Llama-3.1 版本,在大幅降低资源需求的同时,还能提供类似的准确度。

Puzzle 算法和知识蒸馏

Llama-3.1-Nemotron-51B 有别于其他模型的另一个关键组件,就是 Puzzle 算法。

该算法对模型中的每个潜在区块进行评分,并确定哪些配置能在速度和精度之间取得最佳平衡。

跑分 Llama-3.1 70B-instruct Llama-3.1-Nemotron-51B- Instruct 准确率
winogrande 85.08% 84.53% 99.35%
arc_challenge 70.39% 69.20% 98.30%
MMLU 81.66% 80.20% 98.21%
hellaswag 86.44% 85.58% 99.01%
gsm8k 92.04% 91.43% 99.34%
truthfulqa 59.86% 58.63% 97.94%
xlsum_english 33.86% 31.61% 93.36%
MMLU Chat 81.76% 80.58% 98.55%
gsm8k Chat 81.58% 81.88% 100.37%
Instruct HumanEval (n=20) 75.85% 73.84% 97.35%
MT Bench 8.93 8.99 100.67%

通过使用知识蒸馏技术,Nvidia 缩小了参考模型(Llama-3.1-70B)与 Nemotron-51B 之间的精度差距,同时显著降低了训练成本。

场景 Input/Output Sequence Length Llama-3.1- Nemotron- Instruct Llama-3.1-70B-Instruct Ratio Llama (TP1)
Chatbot 128/128 5478 (TP1) 2645 (TP1) 2.07 2645
Text generation 128/1024 6472 (TP1) 2975 (TP4) 2.17 1274
Long text generation 128/2048 4910 (TP2) 2786 (TP4) 1.76 646
System 2 reasoning 128/4096 3855 (TP2) 1828 (TP4) 2.11 313
Summarization/ RAG 2048/128 653 (TP1) 339 (TP4) 1.92 300
Stress test 1 2048/2048 2622 (TP2) 1336 (TP4) 1.96 319

附上参考地址

  • Advancing the Accuracy-Efficiency Frontier with Llama-3.1-Nemotron-51B

  • Nvidia AI Releases Llama-3.1-Nemotron-51B: A New LLM that Enables Running 4x Larger Workloads on a Single GPU During Inference

Published by

风君子

独自遨游何稽首 揭天掀地慰生平

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注