Meta Llama 3.1模型炸裂發(fā)布，英特爾端到端AI產(chǎn)品組合已實(shí)現(xiàn)優(yōu)化！

繼今年4月推出Llama 3之后，Meta昨日正式發(fā)布了功能更強(qiáng)大的AI大模型Llama 3.1。Llama 3.1涵蓋多個不同規(guī)模及功能的全新模型，其中包括目前可獲取的、最大的開放基礎(chǔ)模型—— Llama 3.1 405B（4050億參數(shù)）。

英特爾宣布其橫跨數(shù)據(jù)中心、邊緣以及客戶端的AI產(chǎn)品組合已支持上述最新模型，并通過開放生態(tài)系統(tǒng)軟件實(shí)現(xiàn)針對性優(yōu)化，涵蓋PyTorch及英特爾 PyTorch擴(kuò)展包（Intel Extension for PyTorch）、DeepSpeed、Hugging Face Optimum庫和vLLM等。此外，企業(yè)AI開放平臺（OPEA）亦為這些模型提供支持，OPEA這一全新的開放平臺項目是由LF AI & Data基金會發(fā)起，旨在聚合生態(tài)之力，推動創(chuàng)新，構(gòu)建開放、多供應(yīng)商的、強(qiáng)大且可組合的生成式AI解決方案。

Llama 3.1多語言大模型組合包含了80億參數(shù)、700億參數(shù)以及4050億參數(shù)（文本輸入/文本輸出）預(yù)訓(xùn)練及指令調(diào)整的生成式AI模型。其每個模型均支持128k長文本和八種不同的語言。其中，4050億參數(shù)的Llama 3.1模型在基本常識、可操作性、數(shù)學(xué)、工具使用和多語言翻譯方面具有行業(yè)領(lǐng)先的能力。同時，該模型亦幫助開發(fā)者社區(qū)解鎖諸如合成數(shù)據(jù)生成和模型蒸餾（Model Distillation）等全新功能。

為了推動“讓AI無處不在”的愿景，英特爾在打造AI軟件生態(tài)方面持續(xù)投入，并為行業(yè)內(nèi)一系列全新AI模型提供針對英特爾AI硬件的軟件優(yōu)化。以下是英特爾部分AI產(chǎn)品組合運(yùn)行Llama 3.1模型的初步性能結(jié)果，包括英特爾至強(qiáng)處理器、搭載英特爾酷睿 Ultra處理器和英特爾銳炫顯卡的AI PC產(chǎn)品。

運(yùn)行Llama 3.1時展現(xiàn)出卓越性能

作為通用計算的基石，英特爾至強(qiáng)處理器為全球用戶提供強(qiáng)大算力，現(xiàn)已通過各大云服務(wù)商面市。英特爾至強(qiáng)處理器在其每個核心中均內(nèi)置了英特爾高級矩陣擴(kuò)展（AMX）AI引擎，可將AI性能提升至新水平。根據(jù)基準(zhǔn)測試，在第五代英特爾至強(qiáng)平臺上以1K token輸入和128 token輸出運(yùn)行80億參數(shù)的Llama 3.1模型，可以達(dá)到每秒176 token的吞吐量，同時保持下一個token延遲小于50毫秒。圖1展示了運(yùn)行支持128k長文本的80億參數(shù)Llama 3.1模型時，下一個token延遲可低于100毫秒。

圖1. 基于第五代英特爾至強(qiáng)可擴(kuò)展處理器的Llama 3.1推理延遲

由英特爾酷睿Ultra處理器和英特爾銳炫顯卡驅(qū)動的AI PC可為客戶端和邊緣提供卓越的設(shè)備端AI推理能力。憑借諸如英特爾酷睿平臺上的NPU，以及銳炫顯卡上英特爾Xe Matrix Extensions加速等專用的AI硬件，在AI PC上進(jìn)行輕量級微調(diào)和應(yīng)用定制比以往更加容易。對于本地研發(fā)，PyTorch及英特爾PyTorch擴(kuò)展包等開放生態(tài)系統(tǒng)框架可幫助加速。而對于應(yīng)用部署，用戶則可使用英特爾OpenVINO工具包在AI PC上進(jìn)行高效的模型部署和推理。AI工作負(fù)載可無縫部署于CPU、GPU以及NPU上，同時實(shí)現(xiàn)性能優(yōu)化。

圖2. 在配備內(nèi)置英特爾銳炫顯卡的英特爾酷睿Ultra 7 165H AI PC上，Llama 3.1推理的下一個token延遲

圖3. 在使用英特爾銳炫A770 16GB限量版顯卡的AI PC上，Llama 3.1推理的下一個token延遲

利用Llama 3.1和OPEA部署企業(yè)RAG解決方案

英特爾AI平臺和解決方案能夠有助于企業(yè)部署AI RAG。作為OPEA的發(fā)起成員之一，英特爾正幫助引領(lǐng)行業(yè)為企業(yè)AI打造開放的生態(tài)系統(tǒng)，同時，OPEA亦助力Llama 3.1模型實(shí)現(xiàn)性能優(yōu)化。

基于可組合且可配置的多方合作組件，OPEA為企業(yè)提供開源、標(biāo)準(zhǔn)化、模塊化以及異構(gòu)的RAG流水線（pipeline）。此次測試中，微服務(wù)部署于OPEA藍(lán)圖的每一支細(xì)分領(lǐng)域中，包括防護(hù)（Guardrail）、嵌入（Embedding）、大模型、數(shù)據(jù)提取及檢索。端到端RAG流水線通過Llama 3.1進(jìn)行大模型的推理及防護(hù)，使用BAAI/bge-base-en-v1.5模型進(jìn)行嵌入，基于Redis向量數(shù)據(jù)庫，并通過Kubernetes（K8s）系統(tǒng)進(jìn)行編排。

圖4：基于Llama 3.1的端到端RAG流水線，由英特爾Gaudi 2加速器和至強(qiáng)處理器提供支持

目前，英特爾AI PC及數(shù)據(jù)中心AI產(chǎn)品組合和解決方案已面向全新Llama 3.1模型實(shí)現(xiàn)優(yōu)化，OPEA亦在基于英特爾至強(qiáng)等產(chǎn)品上全面啟用。未來，英特爾將持續(xù)投入軟件優(yōu)化，支持更多全新的模型與用例。