8x7B MoE與Flash Attention 2結合，不到10行代碼實現(xiàn)快速推理
前段時間，Mistral AI 公布的 Mixtral 8x7B 模型爆火整個開源社區(qū)，其架構與 GPT-4 非常相似，很多人將其形容為 GPT-4 的「縮小版」。
▲圖源 https://mistral.ai/news/mixtral-of-experts/
▲圖源 https://twitter.com/reach_vb/status/1741175347821883502
?第三步是初始化 TextStreamer：
?第四步對輸入進行 Token 化：
?第五步生成：
?當你配置好項目后，就可以與 Mixtral 進行對話，例如對于用戶要求「如何做出最好的美式咖啡？通過簡單的步驟完成」，Mixtral 會按照 1、2、3 等步驟進行回答。
?
我們都知道，OpenAI 團隊一直對 GPT-4 的參數(shù)量和訓練細節(jié)守口如瓶。Mistral 8x7B 的放出，無疑給廣大開發(fā)者提供了一種「非常接近 GPT-4」的開源選項。
在基準測試中，Mistral 8x7B 的表現(xiàn)優(yōu)于 Llama 2 70B，在大多數(shù)標準基準測試上與 GPT-3.5 不相上下，甚至略勝一籌。
▲圖源 https://mistral.ai/news/mixtral-of-experts/隨著這項研究的出現(xiàn)，很多人表示：「閉源大模型已經(jīng)走到了結局?！?/span>
短短幾周的時間，機器學習愛好者 Vaibhav (VB) Srivastav 表示：隨著 AutoAWQ（支持 Mixtral、LLaVa 等模型的量化）最新版本的發(fā)布，現(xiàn)在用戶可以將 Mixtral 8x7B Instruct 與 Flash Attention 2 結合使用，達到快速推理的目的，實現(xiàn)這一功能大約只需 24GB GPU VRAM、不到十行代碼。
▲圖源 https://twitter.com/reach_vb/status/1741175347821883502
AutoAWQ地址：
https://github.com/casper-hansen/AutoAWQ 操作過程是這樣的： 首先是安裝 AutoAWQ 以及 transformers：
pipinstallautoawqgit+https://github.com/huggingface/transformers.git
第二步是初始化 tokenizer 和模型：
?第三步是初始化 TextStreamer：
?第四步對輸入進行 Token 化：
?第五步生成：
?當你配置好項目后，就可以與 Mixtral 進行對話，例如對于用戶要求「如何做出最好的美式咖啡？通過簡單的步驟完成」，Mixtral 會按照 1、2、3 等步驟進行回答。
項目中使用的代碼：
Srivastav 表示上述實現(xiàn)也意味著用戶可以使用 AWQ 運行所有的 Mixtral 微調(diào)，并使用 Flash Attention 2 來提升它們。 看到這項研究后，網(wǎng)友不禁表示：真的很酷。
?
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權轉載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用，如有內(nèi)容侵權或者其他違規(guī)問題，請聯(lián)系本站處理。
舉報投訴
-
代碼
+關注
關注
30文章
4728瀏覽量
68248 -
GPT
+關注
關注
0文章
351瀏覽量
15286 -
OpenAI
+關注
關注
9文章
1034瀏覽量
6379
原文標題：8x7B MoE與Flash Attention 2結合，不到10行代碼實現(xiàn)快速推理
文章出處：【微信號：zenRRan，微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。
發(fā)布評論請先 登錄
相關推薦
阿里Qwen2-Math系列震撼發(fā)布，數(shù)學推理能力領跑全球
阿里巴巴近期震撼發(fā)布了Qwen2-Math系列模型，這一系列模型基于其強大的Qwen2 LLM構建，專為數(shù)學解題而生，展現(xiàn)了前所未有的數(shù)學推理能力。Qwen2-Math家族包括1.5
PerfXCloud順利接入MOE大模型DeepSeek-V2
今日，在 PerfXCloud 重磅更新支持 llama 3.1 之后，其平臺再度實現(xiàn)重大升級！目前，已順利接入被譽為全球最強的 MOE 大模型 DeepSeek-V2 ，已在 PerfXCloud（澎峰云）官網(wǎng)的體驗中心對平臺
Verilog：【8】基于FPGA實現(xiàn)SD NAND FLASH的SPI協(xié)議讀寫
校驗 2Bytes
** 6 模塊代碼**
本代碼所實現(xiàn)的功能，是基于黑金AX301B，實現(xiàn)
發(fā)表于 06-21 17:58
ESP32-S2能否支持8位串行RGB？
看ESP32-S2手冊上寫的是支持8位串口RGB的。但是在編譯esp-idf master代碼時出錯。
我有一片LCD是8位串行RGB接口（
發(fā)表于 06-17 06:17
多線程操作flash導致lld_adv.c 3023斷言失敗怎么解決？
: 0x00060b20A7: 0x00000001A8: 0x00000001A9: 0x3fcef9e4
A10: 0
發(fā)表于 06-11 06:12
昆侖萬維開源2千億稀疏大模型Skywork-MoE
近日，昆侖萬維公司宣布開源一款名為Skywork-MoE的稀疏大模型，該模型擁有高達2千億參數(shù)，不僅性能強勁，而且推理成本更低，為人工智能領域帶來了新的突破。
STM32G0B1無法操作FLASH,解鎖FLASH失敗的原因？
使用STM32G0B1寫內(nèi)部的Flash時出現(xiàn)問題，代碼：
#pragma arm section code = \"RAMCODE\"
uint32_t
發(fā)表于 04-02 07:45
8b10b編碼verilog實現(xiàn)
8b/10b編碼是一種用于減少數(shù)據(jù)線上的低效能時鐘信號傳輸?shù)募夹g，通過在數(shù)據(jù)流中插入特殊的控制字符，來同步數(shù)據(jù)和時鐘。在Verilog中實現(xiàn)8b/1
發(fā)表于 03-26 07:55
基于NVIDIA Megatron Core的MOE LLM實現(xiàn)和訓練優(yōu)化
本文將分享阿里云人工智能平臺 PAI 團隊與 NVIDIA Megatron-Core 團隊在 MoE (Mixture of Experts) 大語言模型（LLM）實現(xiàn)與訓練優(yōu)化上的創(chuàng)新工作。
基于OpenCV DNN實現(xiàn)YOLOv8的模型部署與推理演示
基于OpenCV DNN實現(xiàn)YOLOv8推理的好處就是一套代碼就可以部署在Windows10系統(tǒng)、烏班圖系統(tǒng)、Jetson的Jetpack系
大模型系列：Flash Attention V2整體運作流程
基于1.1中的思想，我們在V2中將原本的內(nèi)外循環(huán)置換了位置（示意圖就不畫了，基本可以對比V1示意圖想象出來）。我們直接來看V2的偽代碼（如果對以下偽代碼符號表示或解讀有疑惑的朋友，最好
最佳開源模型刷新多項SOTA，首次超越Mixtral Instruct！「開源版GPT-4」家族迎來大爆發(fā)
Mixtral 8x7B模型開源后，AI社區(qū)再次迎來一大波微調(diào)實踐。來自Nous Research應用研究小組團隊微調(diào)出新一代大模型Nous-Hermes 2 Mixtral 8x7B，在主流基準測試中擊敗了Mixtral In
CYT2B7 flash分區(qū)的疑問求解
在看看 CYT2B7 的手冊時，對于 flash 分區(qū)有疑問。
為什么 Dual Bank 的分區(qū)中碼 flash和data flashdapping A和Mapping B？使用時單
發(fā)表于 01-22 07:30
混合專家模型 (MoE)核心組件和訓練方法介紹
隨著 Mixtral 8x7B (announcement, model card) 的推出，一種稱為混合專家模型 (Mixed Expert Models，簡稱 MoEs
深入淺出理解PagedAttention CUDA實現(xiàn)
vLLM 中，LLM 推理的 prefill 階段 attention 計算使用第三方庫 xformers 的優(yōu)化實現(xiàn)，decoding 階段 attention 計算則使用項目編譯
工商網(wǎng)監(jiān)
評論