SwiftInfer —— 大模型无限流式输入推理打破多轮对话长度限制
- SwiftInfer —— 大模型无限流式输入推理飙升46%，打破多轮对话长度限制
- StreamingLLM 篇
- 一、为什么需要 StreamingLLM？
- 二、StreamingLLM 思路是什么？
- 三、StreamingLLM 优点是什么？
- StreamingLLM 篇
-
- SwiftInfer 篇：基于TensorRT的StreamingLLM实现
- 一、为什么需要 SwiftInfer？
- 二、SwiftInfer 思路是什么？
- 三、SwiftInfer 优点是什么？
- SwiftInfer 篇：基于TensorRT的StreamingLLM实现
StreamingLLM 篇
EFFICIENT STREAMING LANGUAGE MODELS WITH ATTENTION SINKS
:https://arxiv.org/pdf/2309.17453.pdf
一、为什么需要 StreamingLLM？
- 大语言模型能够记住的上下文长度问题，对ChatGPT等大模型应用与用户互动的质量的影响；
- LLM在预训练期间只能在有限的注意力窗口的限制下进行训练；
- 常见的KV Cache机制能够节约模型计算的时间，但是在多轮对话的情景下，key和value的缓存会消耗大量的内存，无法在有限的显存下无限扩展上下文；
二次微调后的模型无法很好地泛化到比训练序列长度更长的文本，导致生成效果糟糕；
二、StreamingLLM 思路是什么？
通过观察注意力模块中Softmax的输出，发现了attention sink的现象。
注意力机制会为每一个token分配一个注意力值，而文本最初的几个token总是会分配到很多无用的 注意力。
当我们使用基于滑动窗口的注意力机制时，一旦这几个token被踢出了窗口，模型的生成效果就会 迅速崩溃。但只要一直把这几个token保留在窗口内，模型就能稳定地生成出高质量的文本。
比起密集注意力（Dense Attention）、窗口注意力（Window Attention）以及带重计算的滑动窗口注意力(Sliding Window w/ Re-computing)，StreamingLLM基于attention sink的注意力机制无论是在计算复杂度还是生成效果上都表现优异。
在不需要重新训练模型的前提下，StreamingLLM能够直接兼容目前的主流大语言模型并改善推理 性能。
三、StreamingLLM 优点是什么？
StreamingLLM 能够在不牺牲推理速度和生成效果的前提下，可实现多轮对话总共400万个token的流式输入，22.2倍的推理速度提升。
SwiftInfer 篇：基于TensorRT的StreamingLLM实现
一、为什么需要 SwiftInfer？
StreamingLLM使用原生PyTorch实现，对于多轮对话推理场景落地应用的低成本、低延迟、高吞吐 等需求仍有优化空间。
二、SwiftInfer 思路是什么？
- 将StreamingLLM方法与TensorRT推理优化结合，使 SwiftInfer 不仅拥有 原始StreamingLLM的所有优点，而且还具有更高的运行效率；
- 重新实现了KV Cache机制以及带有位置偏移的注意力模块；
如下图所示，假设窗口大小为10个token，随着生成的token增加（由黄色方块表示），我们在KV 缓存中将中间的token踢出，与此同时，始终保持着文本开始的几个token（由蓝色方块表示）。由 于黄色方块的位置会发生变化，在计算注意力时，我们也需要重新注入位置信息。
需要注意的是，StreamingLLM不会直接提高模型能访问的上下文窗口，而是能够在支持流式超多 轮对话的同时保证模型的生成效果。
三、SwiftInfer 优点是什么？
原版本的StreamingLLM可以可靠地实现超过400万个token的流式输入，实现了比带重计算的滑动 窗口注意力机制高出22.2倍的速度提升。
Colossal-AI团队发布的SwiftInfer可以进一步提升推理性能，最多带来额外的最多46%的推理吞吐 速度提升，为大模型多轮对话推理提供低成本、低延迟、高吞吐的最佳实践。TensorRT-LLM团队 也在同期对StreamingLLM进行了类似支持。
