Puzzel: Distillatiegebaseerde NAS voor Inferentie-geoptimaliseerde LLM's

Samenvatting

Grote taalmodellen (LLM's) hebben opmerkelijke mogelijkheden aangetoond, maar hun adoptie wordt beperkt door hoge computationele kosten tijdens inferentie. Het verhogen van het aantal parameters verbetert de nauwkeurigheid, maar vergroot ook de kloof tussen de state-of-the-art mogelijkheden en de praktische inzetbaarheid. We presenteren Puzzle, een framework om LLM-inferentie op specifieke hardware te versnellen terwijl hun mogelijkheden behouden blijven. Door een innovatieve toepassing van neurale architectuurzoek (NAS) op een ongekende schaal, optimaliseert Puzzle systematisch modellen met tientallen miljarden parameters onder hardwarebeperkingen. Onze aanpak maakt gebruik van bloksgewijze lokale kennisdistillatie (BLD) voor parallelle architectuurexploratie en maakt gebruik van geheeltallige programmering voor nauwkeurige beperkingsoptimalisatie. We demonstreren de real-world impact van ons framework via Llama-3.1-Nemotron-51B-Instruct (Nemotron-51B), een publiekelijk beschikbaar model afgeleid van Llama-3.1-70B-Instruct. Nemotron-51B behaalt een 2,17x versnelling van de inferentiesnelheid, passend op een enkele NVIDIA H100 GPU terwijl 98,4% van de oorspronkelijke modelmogelijkheden behouden blijven. Nemotron-51B staat momenteel bekend als het meest nauwkeurige taalmodel dat inferentie kan uitvoeren op een enkele GPU met grote batchgroottes. Opmerkelijk genoeg vereiste deze transformatie slechts 45B trainings-tokens, in vergelijking met meer dan 15T tokens die werden gebruikt voor het 70B-model waar het van is afgeleid. Dit vestigt een nieuw paradigma waar krachtige modellen geoptimaliseerd kunnen worden voor efficiënte implementatie met slechts verwaarloosbare compromissen van hun mogelijkheden, waarbij wordt aangetoond dat inferentieprestaties, niet alleen het aantal parameters, de modelselectie moeten leiden. Met de release van Nemotron-51B en de presentatie van het Puzzle-framework bieden we beoefenaars directe toegang tot state-of-the-art taalmodelleringsmogelijkheden tegen aanzienlijk verminderde computationele kosten.

English

Large language models (LLMs) have demonstrated remarkable capabilities, but their adoption is limited by high computational costs during inference. While increasing parameter counts enhances accuracy, it also widens the gap between state-of-the-art capabilities and practical deployability. We present Puzzle, a framework to accelerate LLM inference on specific hardware while preserving their capabilities. Through an innovative application of neural architecture search (NAS) at an unprecedented scale, Puzzle systematically optimizes models with tens of billions of parameters under hardware constraints. Our approach utilizes blockwise local knowledge distillation (BLD) for parallel architecture exploration and employs mixed-integer programming for precise constraint optimization. We demonstrate the real-world impact of our framework through Llama-3.1-Nemotron-51B-Instruct (Nemotron-51B), a publicly available model derived from Llama-3.1-70B-Instruct. Nemotron-51B achieves a 2.17x inference throughput speedup, fitting on a single NVIDIA H100 GPU while preserving 98.4% of the original model's capabilities. Nemotron-51B currently stands as the most accurate language model capable of inference on a single GPU with large batch sizes. Remarkably, this transformation required just 45B training tokens, compared to over 15T tokens used for the 70B model it was derived from. This establishes a new paradigm where powerful models can be optimized for efficient deployment with only negligible compromise of their capabilities, demonstrating that inference performance, not parameter count alone, should guide model selection. With the release of Nemotron-51B and the presentation of the Puzzle framework, we provide practitioners immediate access to state-of-the-art language modeling capabilities at significantly reduced computational costs.

Puzzel: Distillatiegebaseerde NAS voor Inferentie-geoptimaliseerde LLM's

Puzzle: Distillation-Based NAS for Inference-Optimized LLMs

Samenvatting

Support