作者：

Yury Gorbachev 英特爾院士 OpenVINO 產(chǎn)品架構(gòu)師

Whiteny Foster OpenVINO產(chǎn)品專家

翻譯：

武卓 博士 英特爾 OpenVINO 布道師

本次新版本在整個 OpenVINO 產(chǎn)品系列中引入了重要的功能和性能變化，使大語言模型 （LLM） 的優(yōu)化和部署在所有支持的場景中更容易、性能更高，包括邊緣和數(shù)據(jù)中心環(huán)境的部署。

在客戶端，在之前的版本中我們一直在努力工作，而這個版本則支持我們?nèi)碌?Intel Xe2 GPU 架構(gòu)，該架構(gòu)在最近推出的 Intel Core Ultra 處理器（第二代）中搭載。Xe2 架構(gòu)由 Intel Xe Matrix Extensions （Intel XMX） 加速技術(shù)提供支持，我們與 oneDNN 和驅(qū)動程序團(tuán)隊(duì)的合作伙伴合作啟用了該技術(shù)，以在矩陣乘法等計(jì)算密集型運(yùn)算上實(shí)現(xiàn)最佳性能。由于矩陣乘法是 LLM 中的一個關(guān)鍵熱點(diǎn)，因此在部署 LLM 時(shí)，使用 Xe2 架構(gòu)的性能優(yōu)勢會立即顯現(xiàn)出來。

我們不僅直接通過英特爾 XMX 優(yōu)化了矩陣乘法，還創(chuàng)建了高度優(yōu)化的 GPU 基元，如 縮放點(diǎn)積注意力（Scaled Dot Product Attention） 和旋轉(zhuǎn)位置編碼（ Rotary Positional Embeddings），以減少這些復(fù)雜操作的執(zhí)行流水線開銷。我們致力于改善內(nèi)存消耗并更有效地支持具有壓縮權(quán)重的模型，從而使大型語言模型（LLM）的部署更適合筆記本電腦/邊緣設(shè)備，并允許 LLM 適應(yīng)最小的內(nèi)存占用，這對于資源有限的環(huán)境至關(guān)重要。

我們所做的一些更改是通用的，并且會對其它平臺產(chǎn)生顯著影響，包括平臺上的集成顯卡（例如 Intel Core Ultra（第一代））和獨(dú)立顯卡（Intel Arc 系列）。

通過橫跨數(shù)十個大語言模型的性能和準(zhǔn)確性驗(yàn)證，我們衡量了整個模型集的這些改進(jìn)。使用神經(jīng)網(wǎng)絡(luò)壓縮框架 （NNCF） 優(yōu)化框架中的權(quán)重壓縮算法可以嚴(yán)格控制對模型準(zhǔn)確性的影響。

對內(nèi)置 顯卡的性能進(jìn)行比較，英特爾酷睿 Ultra 處理器（第二代）的 第2 個Token延遲性能比第一代 高出 1.3 倍，適用于 Llama3-8B 和 Phi-3-Mini-4k-Instruct 等 LLM，詳情請參見下圖。

使用 OpenVINO 工具套件 2024.4 在最新的英特爾酷睿超級處理器（第二代）內(nèi)置 GPU 上最大限度地提高 LLM 性能。有關(guān)工作負(fù)載和配置，請參閱附錄。結(jié)果可能會有所不同。

除了 GPU，Intel Core Ultra 處理器（第二代）還引入了更強(qiáng)大的 NPU，具有 40 TOPS 的峰值推理吞吐量，這是對上一代產(chǎn)品的重大升級。OpenVINO 現(xiàn)在通過 OpenVINO GenAI 軟件包為經(jīng)典深度學(xué)習(xí)模型（例如計(jì)算機(jī)視覺、語音識別和生成）和 LLM 提供對這種加速技術(shù)的訪問。我們一直在與 NPU 團(tuán)隊(duì)合作，以提高性能、減少內(nèi)存消耗并加快過去版本的模型編譯速度，并將在未來的版本中繼續(xù)增強(qiáng)。

使用 LLM 的另一種常用場景是通過模型服務(wù)，這意味著模型可以通過 REST API 被訪問，并通過 vLLM 或 OpenVINO 模型服務(wù)器 （OVMS） 等框架來進(jìn)行服務(wù)。對于此使用場景，我們還引入了新功能以增強(qiáng)解決方案特性。

OpenVINO 模型服務(wù)器（OVMS） 現(xiàn)在通過 OpenAI API 為 LLM 提供服務(wù)，并提供了啟用前綴緩存功能的能力，該功能通過緩存提示詞常見部分的計(jì)算來提高服務(wù)吞吐量。當(dāng)提示詞以相同的文本開頭（例如“您是一個有用的 AI 助手”）或在聊天場景中使用 LLM 時(shí)，這尤其有用。我們還為 OVMS 中的 CPU 啟用了 KV 緩存壓縮，從而減少了內(nèi)存消耗并改進(jìn)了第二個Token延遲等指標(biāo)。

從 OpenVINO 2024.4 版本開始，GPU 將支持分頁注意力（ PagedAttention） 操作和連續(xù)批處理，這使我們能夠在 LLM 服務(wù)場景中使用 GPU。我們最初在對 vLLM 的貢獻(xiàn)中啟用此功能，并在此版本中將其擴(kuò)展到 OpenVINO 模型服務(wù)器。這允許 Intel ARC GPU 在您的環(huán)境中以優(yōu)化的服務(wù)特性提供 LLM 模型服務(wù)。查看適用于 CPU 和 GPU 的 LLM 服務(wù)演示，其中展示了如何利用這些功能。

LLM 服務(wù)演示

https://docs.openvino.ai/2024/ovms_demos_continuous_batching.html

為了繼續(xù)數(shù)據(jù)中心場景，OpenVINO 現(xiàn)在在英特爾至強(qiáng)處理器上運(yùn)行時(shí)提供對 mxfp4 的支持，如開放計(jì)算項(xiàng)目規(guī)范中所定義。對于 LLM，與 BF16 精度相比，它允許在第二個令牌延遲上提高性能，同時(shí)減少內(nèi)存消耗。神經(jīng)網(wǎng)絡(luò)壓縮框架 （NNCF） 模型優(yōu)化功能支持此功能，該功能允許將 LLM 權(quán)重壓縮為這種格式。

定義

https://www.opencompute.org/documents/ocp-microscaling-formats-mx-v1-0-spec-final-pdf

從模型支持的角度來看，我們一直在與 Hugging Face 的合作伙伴一起更新 Optimum -Intel 解決方案。該方案允許在使用 OpenVINO 運(yùn)行時(shí)時(shí)使用 Hugging Face API 運(yùn)行模型，并高效導(dǎo)出和壓縮模型以用于 OpenVINO GenAI 軟件包 API。在此版本中，我們專注于支持 Florence 2、MiniCPM2、Phi-3-Vision、Flux.1 等模型。OpenVINONotebooks已經(jīng)可用，用于演示如何在您選擇的平臺上將這些模型與 OpenVINO 一起使用。

OpenVINONotebooks

https://github.com/openvinotoolkit/openvino_notebooks

使用 Flux.1 和 OpenVINO生成文本到圖像，并帶有輸入提示：一只小小的約克夏梗宇航員從月球上的蛋中孵化。https://github.com/openvinotoolkit/openvino_notebooks/tree/latest/notebooks/flux.1-image-generation

整個夏天，我們一直在與 Google Summer of Code 的優(yōu)秀貢獻(xiàn)者合作，結(jié)果令人鼓舞。我們一直在努力改進(jìn)

ARM 平臺上的生成式 AI

https://medium.com/openvino-toolkit/improve-openvino-performance-on-generative-ai-workload-on-arm-devices-with-5aee5808e23a，

支持RISC-V

https://medium.com/openvino-toolkit/my-journey-with-google-summer-of-code-2024-enhancing-openvino-for-risc-v-devices-b69568426aff

并探索許多其他令人興奮的發(fā)展，我們很快將更詳細(xì)地介紹這些發(fā)展。

謝謝您，我們期待在即將發(fā)布的版本中為您帶來更多性能改進(jìn)和新功能。有關(guān)此版本的更多詳細(xì)信息，請參閱 發(fā)行說明。

發(fā)行說明

https://docs.openvino.ai/2024/about-openvino/release-notes-openvino.html

Appendix

附錄