개요
It can reduce the expert weights held per device, while routing and communication costs affect whether serving is efficient.
심층 분석
MoE(Mixture-of-Experts) 계층은 하나의 대규모 피드포워드 네트워크를 다수의 소규모 네트워크(전문가)와 토큰당 상위 k(종종 1~2명) 전문가를 선택하는 라우터로 대체합니다. 전문가 병렬성(EP)은 다양한 전문가를 다양한 GPU에 배치합니다. 추론을 통해 라우터는 각 토큰에 필요한 전문가를 결정한 다음 전체 통신 단계에서 토큰을 선택한 전문가가 있는 GPU로 섞고 FFN을 실행한 다음 결과를 다시 섞습니다. 이를 통해 모델은 큰 총 매개변수(희소)를 가지면서 토큰당 작은 부분(낮은 FLOP)만 활성화할 수 있습니다. Mixtral 8x7B, DeepSeek-V3 및 GPT-OSS와 같은 모델이 이를 사용합니다. 어려운 부분은 전문가 간의 로드 밸런싱과 레이어당 비용이 많이 드는 두 개의 전체 홉입니다.
실제 구현
각 장치에 전문가 8명 중 2~4명을 배치하여 2~4개의 GPU에서 Mixtral 8x7B를 제공합니다.
DeepSeek-V3는 노드 제한 라우팅을 사용하여 토큰 전문가가 확장하는 노드 수를 제한하여 노드 간 전체를 줄입니다.
vLLM 또는 SGLang 전문가 병렬 모드를 사용하여 단일 8-GPU 노드에서 2000억 개 이상의 희소 모델 호스팅
하이브리드 EP+TP 배포에서 주의 계층에 대한 전문가 병렬성과 텐서 병렬성을 결합합니다.
MoE 서비스를 위한 전문가 병렬성의 미래
라우팅 및 하드웨어의 보다 긴밀한 공동 설계를 기대합니다. 융합된 디스패치-컴퓨팅-결합 커널, 많은 전문가를 일괄 처리하는 그룹화된 GEMM, NVLink/InfiniBand 인식 올투올 등입니다. DeepSeek의 보조 무손실 밸런싱 및 노드 제한 라우팅과 같은 기술은 노드 간 트래픽을 줄입니다. 분리된 서비스는 어텐션 GPU와 별도로 '전문가' GPU를 전용으로 사용하며, 더 미세한 top-k를 갖춘 더 많은 전문가 수(수백 명)는 토큰당 비용을 일정하게 유지하면서 MoE를 극도의 희소성으로 밀어넣습니다.
실천에 옮기기
왜 중요한가요?
- 비용 및 예산. 아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
- 더 명확한 결정들. 기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
- 품질 관리. 더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
조심하세요
- 하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
- 인프라 및 유지 관리 비용은 종종 과소평가됩니다.
- 시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
다음 단계
- 구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
- 현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
- 오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
- 확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
계속 탐색하세요
무료 뉴스레터
일일 AI 브리핑 받기
매주 평일 아침마다 3개의 검증된 AI 스토리를 일반 영어로 작성합니다. 무료이며, 광고 없음.
매주 평일마다 한 번 이메일을 받습니다. 한 번 클릭으로 구독 해지. 주소를 판매하거나 공유하지 않습니다.
자신을 테스트해 보세요
Take the Expert Parallelism for MoE Serving quiz
모든 답변에 즉각적인 피드백과, 과정을 통과하면 검증 가능한 ID가 있는 공유 가능한 인증서를 제공합니다.
무료 AI 교육을 지원합니다. AI Understanding는 501(c)(3) 비영리 단체입니다 — 광고 없음, 유료 장벽 없음, 영원히. 기부하기
자주 묻는 질문
MoE 서비스를 위한 전문가 병렬성이란 무엇입니까?
Expert parallelism distributes a Mixture-of-Experts layer’s feed-forward experts across devices. It can reduce the expert weights held per device, while routing and communication costs affect whether serving is efficient.
전문가 병렬 처리는 GPU 전체에 무엇을 분배합니까?
전문가 병렬 처리는 다양한 전문가(MoE 계층의 FFN 하위 네트워크)를 다양한 GPU에 배치하므로 각 장치는 전문가의 하위 집합만 보유합니다.
MoE 전문가 병렬화의 핵심은 어떤 통신 패턴입니까?
각 MoE 계층은 일반적으로 토큰을 전문가에게 전달하기 위해 전체 대 전체가 필요하고 출력을 다시 결합하기 위해 또 다른 전체 대 전체가 필요합니다.
MoE가 총 매개변수가 엄청남에도 불구하고 토큰당 컴퓨팅을 낮게 유지하는 이유는 무엇입니까?
라우터는 토큰당 최상위 전문가(보통 1-2명)만 활성화하므로 모델에 총 전문가가 많더라도 FLOP는 작게 유지됩니다.
라우팅이 데이터에 의존하기 때문에 어떤 문제가 발생합니까?
라우터의 선택은 입력에 따라 달라지므로 일부 전문가는 다른 전문가보다 더 많은 토큰을 받게 되어 로드 불균형과 낙오자가 발생합니다.
Why are capacity limits and padding used in some MoE implementations?
Capacity-limited designs can pad or drop work, but dropless approaches also exist. This is an implementation choice rather than a universal serving requirement.