Vertical Mobility: Inference from MVP to Trillion-Parameter Workloads — Sitanshu Gupta, CoreWeave
Sitanshu Gupta från CoreWeave beskriver hur man bygger en inferensstapel — systemet som kör AI-modeller — som hanterar helt olika typer av arbete effektivt.
Det viktigaste insikten är att när användare skickar många frågor i följd är mycket av informationen densamma, vilket gör det mycket dyrare att bearbeta den första gången än senare gånger. CoreWeave erbjuder tre sätt att betala: serverless där du betalar per token utan att se hårdvaran, en mellanväg för kunder som vet sin trafik, och dedikerad där du själv styr allt. Systemet matchar fyra olika arbetsmönster — chattfrågor, agentbeslut, röst och video, samt batchjobb — mot varandra som Tetris för att utnyttja hårdvaran maximalt. Två viktiga optimeringar är att komprimera modellvikter till fyra bitar och träna snabba gissare på kundens egen data för att minska latens.
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
