8x7B MoE與Flash Attention 2結(jié)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(gòu)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(jìn)行 Token 化：
?第五步生成：
?當(dāng)你配置好項目后，就可以與 Mixtral 進(jìn)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(jìn)行回答。
?
我們都知道，OpenAI 團隊一直對 GPT-4 的參數(shù)量和訓(xùn)練細(xì)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(zhǔn)測試中，Mistral 8x7B 的表現(xiàn)優(yōu)于 Llama 2 70B，在大多數(shù)標(biāo)準(zhǔn)基準(zhǔn)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(jié)局?！?/span>
短短幾周的時間，機器學(xué)習(xí)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(jié)合使用，達(dá)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(jìn)行 Token 化：
?第五步生成：
?當(dāng)你配置好項目后，就可以與 Mixtral 進(jìn)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(jìn)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(quán)轉(zhuǎn)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(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請聯(lián)系本站處理。
舉報投訴
-
代碼
+關(guān)注
關(guān)注
30文章
4968瀏覽量
74009 -
GPT
+關(guān)注
關(guān)注
0文章
368瀏覽量
16883 -
OpenAI
+關(guān)注
關(guān)注
9文章
1245瀏覽量
10104
原文標(biāo)題：8x7B MoE與Flash Attention 2結(jié)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(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
熱點推薦
階躍星辰開源Step 3.5 Flash，多家國產(chǎn)芯片廠商完成適配
。 ? Step 3.5 Flash模型聚焦于實時Agent工作流場景，采用稀疏MoE架構(gòu)，總參數(shù)量高達(dá)1960億，不過每個token僅激活約110億參數(shù)。這種設(shè)計旨在兼顧推理速度與使用成本，為智能體（Agent）提供穩(wěn)定可靠且
如何正確配置AG32 MCU，實現(xiàn)FLASH或者代碼加密?
的SDK資料：海振遠(yuǎn)科技為客戶提供豐富的開發(fā)資料和多款開發(fā)板可以選擇，方便用戶快速上手設(shè)計。
2、開發(fā)板資源：
二、如何正確配置AG32 MCU，實現(xiàn)FLASH或者
發(fā)表于 01-22 15:01
今日看點：小米正式發(fā)布并開源新模型 MiMo-V2-Flash；磷酸鐵鋰開啟漲價潮
（激活15B）的 MoE 模型，通過引入 Hybrid 注意力架構(gòu)創(chuàng)新 及 多層 MTP 推理加速，在多個 Agent 測評基準(zhǔn)上進(jìn)入全球開源模型 Top 2；
Qwen3-VL 4B/8B全面適配，BM1684X成邊緣最佳部署平臺！
算能BM1684X上完成Qwen3-VL4B/8B模型的適配，推理速度13.7/7.2tokens/s，使其成為邊緣部署多模態(tài)大模型的最佳選擇。近日，阿里千問正式開源Qwen3-VL系
【「DeepSeek 核心技術(shù)揭秘」閱讀體驗】基于MOE混合專家模型的學(xué)習(xí)和思考-2
= F.softmax(self.gate(x), dim=-1) # 這就是公式中的 p_i^c
# 2. 計算每個專家的輸出
expert_outputs = []
for expert
發(fā)表于 08-23 17:00
杭州靈汐類腦智算集群實現(xiàn)大模型快速推理
據(jù)悉，“杭州靈汐類腦智算集群”已于7月底實現(xiàn)了大模型快速推理API的企業(yè)服務(wù)試運行。該集群由杭州靈汐類腦科技有限公司牽頭搭建運營，中國電信、中國電子科技南湖研究院以及腦啟社區(qū)作為合作方
華為宣布開源盤古7B稠密和72B混合專家模型
關(guān)鍵一步，為全球開發(fā)者、企業(yè)及研究人員提供了強大的技術(shù)支撐。 ? 華為此次開源行動涵蓋三大核心板塊：盤古Pro MoE 72B模型權(quán)重與基礎(chǔ)推理代碼已率先上線開源平臺；基于昇騰的超大規(guī)
華為正式開源盤古7B稠密和72B混合專家模型
關(guān)鍵舉措，推動大模型技術(shù)的研究與創(chuàng)新發(fā)展，加速推進(jìn)人工智能在千行百業(yè)的應(yīng)用與價值創(chuàng)造。 盤古Pro MoE 72B模型權(quán)重、基礎(chǔ)推理代碼，已
帶增益的 RX 分集 FEM（B26、B8、B20、B1/4、B3 和 B7） skyworksinc
電子發(fā)燒友網(wǎng)為你提供()帶增益的 RX 分集 FEM（B26、B8、B20、B1/4、B3 和 B7
發(fā)表于 06-27 18:31
具有載波聚合的 RX 分集 FEM（B26、B8、B12/13、B2/25、B4 和 B7） skyworksinc
電子發(fā)燒友網(wǎng)為你提供()具有載波聚合的 RX 分集 FEM（B26、B8、B12/13、B2/25、B4 和
發(fā)表于 06-19 18:35
潤和軟件StackRUNS異構(gòu)分布式推理框架的應(yīng)用案例
江蘇潤和軟件股份有限公司（以下簡稱“潤和軟件”）自主研發(fā)的StackRUNS異構(gòu)分布式推理框架已在實際場景中取得顯著成效，成功應(yīng)用于大型園區(qū)多模態(tài)模型演練及高校滿血版DeepSeek-MoE 671B的運行，有效推動了大模型技術(shù)
代碼革命的先鋒：aiXcoder-7B模型介紹
? ? 國內(nèi)開源代碼大模型 4月9日aiXcoder宣布正式開源其7B模型Base版，僅僅過去一個禮拜，aiXcoder-7B在軟件源代碼托管服務(wù)平臺GitHub上的Star數(shù)已超過
基于小凌派RK2206開發(fā)板：OpenHarmony如何使用IoT接口控制FLASH外設(shè)
] = a
[7] = a
[8] = a
[9] = a
[10] = a
[11] = a
[12] = a
[13] = a
[14] = a
[15] = a
Fla
發(fā)表于 04-22 15:02
7路達(dá)林頓驅(qū)動的16KB Flash ROM的AD型MCU AiP8F3201
7路達(dá)林頓驅(qū)動的16KB Flash ROM的AD型MCU AiP8F3201
基于1F1B的MoE A2A通信計算Overlap
在 MoE 模型的訓(xùn)練過程中，EP rank 之間的 A2A 通信在端到端時間中占據(jù)了相當(dāng)大比重，對訓(xùn)練效率影響很大，特別是對于 Fine-grained MoE model，EP size 會比較大，跨機通信基本無法避免。那么
工商網(wǎng)監(jiān)
評論