Deep dive on LLM Inference at Scale — Harshul Jain, Audible & Tanmay Sah, Independent AI Researcher
Videon går igenom hur man kör stora språkmodeller effektivt på GPU:er — ett praktiskt problem många team stöter på.
Exempel: en vanlig modell kan behöva 42 GB minne bara för att lagra mellanresultat när 80 användare frågar samtidigt, vilket är varför servrar kraschar. Workshopen visar var flaskhalsen sitter (minne som växer med längre frågor, långsam första svar, låg genomströmning) och demonstrerar lösningar på två fronter: man kan göra själva modellen smalare genom tekniker som «flash attention», och man kan dela upp jobben smartare på servern genom «paged attention» och batch-bearbetning. Sist jämförs två populära servermotorer (vLLM och SGLang) och visar att de är likvärdiga för normalt bruk men vLLM är tre till fyra gånger snabbare när modellen tar egna beslut och grenar av sig.
Sammanfattningen har tagits fram med AI av Vibekollen utifrån källans publicering. Innehållet tillhör AI Engineer.
Mer att läsa
What Runs Where? Local AI in Production — Ahmad Osman, Osmantic
AI Engineer 21 nov.
Experts say AI has made planning cyberattacks on industrial equipment faster by helping attackers read manuals and research past accidents more quickly
Techmeme för 2 tim sedan
Current and former officials from the US and other countries describe the Chinese spy agency MSS' campaign to help Chinese companies acquire advanced AI chips
Techmeme för 6 tim sedan
Tesla rolls out FSD v15, featuring a photorealistic rendering of car surroundings; Elon Musk says it is real-time AI video generation without using game engines
Techmeme för 7 tim sedan
