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 från AI Engineer
Inside Arca's Long-Horizon Agents That Run the Business - Aman Singh, Arca
AI Engineer 23 okt.
Real AI Agent Attacks and What Would Have Stopped Them — Andrey Rybka, Bloomberg
AI Engineer 23 okt.
Outside of tech there has been no financial payoff to US companies for using AI, now viewed as a margin-hurting cost center, as VC-backed firms burn more tokens
Techmeme för 3 tim sedan
Source: Replit recently moved most AI spend from Anthropic to OpenAI, which gave 30%+ off in a deal worth $100M+/year, after Anthropic discontinued its discount
Techmeme för 5 tim sedan