北京宏福建设工程有限公司网站中国舆情在线

大模型部署背景
        大模型部署是指将训练好的模型在特定的软硬件环境中启动的过程，使模型能够接收输入并返回预测结果。大模型的内存开销巨大，7B模型仅权重需要14G内存。另外大模型是自回归生成，需要缓存Attention的 k/v。

LMDeploy 简介如下：

推理性能如图所示：

核心功能-量化
        量化可以大大降低显存，同时提升推理速度。LLM 是典型的访存密集型任务 

        Weight Only 量化：

核心功能——推理引擎 TurboMind
        主要包括四个部分：1. 持续批处理；2. 有状态的推理； 3. Blocked k/v cache； 4. 高性能 cuda kernel。

1. 持续批处理

2. 有状态的推理
3. Blocked K/V Cache

4. Cuda Kernel （算子融合可以有效减少访存次数）

核心功能-推理服务 api server如图所示：