SARATHI: Efficient LLM Inference by Piggybacking Decodes with Chunked Prefills

本文是LLM系列文章，针对《SARATHI: Efficient LLM Inference by Piggybacking Decodes with Chunked Prefills》的翻译。

摘要

大型语言模型（LLM）推理包括两个不同的阶段 - 预填充阶段（处理输入提示）和解码阶段（自动回归生成输出token）。虽然预填充阶段有效地使小批量的 GPU 计算饱和，但解码阶段会导致计算利用率较低，因为它每个请求一次生成一个token。使用流水线并行时，不同的预填充和解码时间也会导致微批处理之间的不平衡，从而导致气泡进一步降低效率。
我们推出 SARATHI 来应对这些挑战。SARATHI 采用分块预填充，将预填充请求拆分为大小相等的块，以及解码最大批处理，使用单个预填充块构建批处理，并使用解码填充剩余插槽。在推理过程中，预填充块使 GPU 计算饱和，而解码请求“背负”，与仅解码批处理相比，成本降低了一个数量级。分块预填充允许从单个预填充请求构建多个解码最大批次，从而最大限度地覆盖可搭载的解码。此外，这些批次的统一计算设计改善了微批次之间的不平衡，从而显著减少了流水线气泡。
我们的技术在跨模型和硬件的推理性能方面产生了显著的改进。对于 A6000 GPU 上的 LLaMA-13B 模型，SARATHI 将解码吞吐量提高了 10×，并将端到端吞吐量提高了 1.33×。对于 A100 GPU 上的 LLaMa-33B ，我们的端到端吞吐量提高了 1.25× 解码吞吐量提高了 4.25× 。当与 GPT-3 上的流水线并行性一起使用时，SARATHI 将气泡减少了 6.29×，从而使端到端吞吐量提高了 1.91×。

1 引言