ภาพรวม
PagedAttention เป็นเทคนิคการจัดการหน่วยความจำที่เก็บแคชความสนใจของโมเดลภาษาไว้ในบล็อกขนาดเล็กที่นำกลับมาใช้ใหม่ได้ แทนที่จะเป็นก้อนใหญ่ที่ต่อเนื่องกัน โดยขับเคลื่อน vLLM ซึ่งเป็นเอ็นจิ้นการให้บริการโอเพ่นซอร์สที่ช่วยเพิ่มจำนวนคำขอที่ GPU ตัวเดียวสามารถรองรับได้อย่างมาก
PagedAttention และ vLLM เป็นองค์ประกอบทางเทคนิคที่ส่งผลต่อคุณภาพของโมเดล ต้นทุนโครงสร้างพื้นฐาน เวลาแฝง และความน่าเชื่อถือในวงกว้าง
เจาะลึก
เมื่อโมเดลภาษาสร้างข้อความ โมเดลจะเก็บ 'แคช KV' (เวกเตอร์คีย์และค่า) ไว้สำหรับโทเค็นทุกอันที่เห็น เพื่อให้โทเค็นถัดไปสามารถเข้าร่วมกับบริบททั้งหมดได้ ตามเนื้อผ้า แต่ละคำขอจะสงวนแผ่นหน่วยความจำ GPU ขนาดใหญ่ที่ต่อเนื่องกันหนึ่งแผ่นซึ่งมีขนาดตามความยาวสูงสุดที่เป็นไปได้ ซึ่งจะสิ้นเปลืองจำนวนมากเมื่อลำดับสั้นลงหรือมีความยาวต่างกัน PagedAttention ซึ่งเปิดตัวในรายงาน vLLM ปี 2023 จาก UC Berkeley ยืมแนวคิดเกี่ยวกับเพจหน่วยความจำเสมือนจากระบบปฏิบัติการ โดยจะแยกแคช KV ออกเป็นบล็อกขนาดคงที่ซึ่งสามารถอยู่ที่ใดก็ได้ในหน่วยความจำและจัดสรรได้ตามความต้องการ ตารางการค้นหาจะแมปตำแหน่งโทเค็นเชิงตรรกะกับบล็อกทางกายภาพ ซึ่งเกือบจะกำจัดการกระจายตัวของหน่วยความจำและอนุญาตให้ใช้บล็อกร่วมกัน เช่น ในหลายเอาต์พุตจากพร้อมท์เดียวกัน
ข้อมูลเชิงลึกทางเทคนิค
แคช KV ถูกแบ่งออกเป็นเพจที่มีขนาดคงที่ โดยแต่ละเพจจะเก็บคีย์และค่าสำหรับโทเค็นตามจำนวนที่กำหนด ตารางบล็อกตามลำดับจะแมปตำแหน่งโลจิคัลกับตำแหน่งเพจจริง ดังนั้นแคชของลำดับจึงไม่จำเป็นต้องอยู่ติดกัน เนื่องจากคำนำหน้าที่เหมือนกัน (พรอมต์ของระบบที่ใช้ร่วมกัน หรือสาขาการค้นหาบีม) สามารถชี้ไปยังเพจฟิสิคัลเดียวกันผ่านการคัดลอกเมื่อเขียน หน่วยความจำจึงถูกนำมาใช้ซ้ำแทนที่จะทำซ้ำ ช่วยลดการสูญเสียจากมากกว่า 60% เหลือเพียงไม่กี่เปอร์เซ็นต์
การเรียนรู้ PagedAttention และ vLLM
PagedAttention เป็นเทคนิคการจัดการหน่วยความจำที่เก็บแคชความสนใจของโมเดลภาษาไว้ในบล็อกขนาดเล็กที่นำกลับมาใช้ใหม่ได้ แทนที่จะเป็นก้อนใหญ่ที่ต่อเนื่องกัน โดยขับเคลื่อน vLLM ซึ่งเป็นเอ็นจิ้นการให้บริการโอเพ่นซอร์สที่ช่วยเพิ่มจำนวนคำขอที่ GPU ตัวเดียวสามารถรองรับได้อย่างมาก PagedAttention และ vLLM เป็นองค์ประกอบทางเทคนิคที่ส่งผลต่อคุณภาพของโมเดล ต้นทุนโครงสร้างพื้นฐาน เวลาแฝง และความน่าเชื่อถือในวงกว้าง หากต้องการสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า PagedAttention และ vLLM เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ PagedAttention และ vLLM จะปรับสถาปัตยกรรม ข้อมูล และตัวเลือกโครงสร้างพื้นฐานให้เหมาะสมโดยเทียบกับความน่าเชื่อถือและต้นทุน โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
การตัดสินใจด้านสถาปัตยกรรมขับเคลื่อนประสิทธิภาพและต้นทุนการดำเนินงานเป็นเวลาหลายปี ในเวลาเดียวกัน การเพิ่มประสิทธิภาพเกณฑ์มาตรฐานหนึ่งรายการสามารถซ่อนจุดอ่อนของระบบในวงกว้างได้ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
การตัดสินใจด้านสถาปัตยกรรมขับเคลื่อนประสิทธิภาพและต้นทุนการดำเนินงานเป็นเวลาหลายปี
การตัดสินใจด้านสถาปัตยกรรมขับเคลื่อนประสิทธิภาพและต้นทุนการดำเนินงานเป็นเวลาหลายปี ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การศึกษาด้านเทคนิคช่วยให้ทีมเลือกกลุ่มที่เหมาะสม ไม่ใช่แค่กลุ่มใหม่ล่าสุด
การศึกษาด้านเทคนิคช่วยให้ทีมเลือกกลุ่มที่เหมาะสม ไม่ใช่แค่กลุ่มใหม่ล่าสุด ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ตัวเลือกทางวิศวกรรมที่ดีกว่าจะช่วยลดเหตุการณ์ด้านความน่าเชื่อถือในการผลิต
ตัวเลือกทางวิศวกรรมที่ดีกว่าจะช่วยลดเหตุการณ์ด้านความน่าเชื่อถือในการผลิต ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
การโฮสต์ LLM API แบบโอเพ่นซอร์สโดยที่ vLLM ให้บริการผู้ใช้แชทพร้อมกันจำนวนมากจาก GPU ตัวเดียวที่มีปริมาณงานสูง
การแบ่งปันพร้อมท์ของระบบแบบยาวกับคำขอนับพันผ่านการแคชคำนำหน้า ดังนั้นจึงได้รับการประมวลผลเพียงครั้งเดียว ไม่ใช่ซ้ำๆ
เรียกใช้การค้นหาบีมหรือการสุ่มตัวอย่างหลายรายการที่แชร์บล็อก KV สำหรับพรอมต์ทั่วไปผ่านการคัดลอกเมื่อเขียน
ลดการสิ้นเปลืองหน่วยความจำ GPU จากการแตกแฟรกเมนต์ เพื่อให้ผู้ให้บริการสามารถแพ็คเซสชันพร้อมกันมากขึ้นไปยังฮาร์ดแวร์เดียวกัน
รูปแบบการดำเนินงาน
PagedAttention และ vLLM ในทางปฏิบัติ
การโฮสต์ LLM API แบบโอเพ่นซอร์สโดยที่ vLLM ให้บริการผู้ใช้แชทพร้อมกันจำนวนมากจาก GPU ตัวเดียวที่มีปริมาณงานสูง
การโฮสต์ LLM API แบบโอเพ่นซอร์สโดยที่ vLLM ให้บริการผู้ใช้แชทพร้อมกันจำนวนมากจาก GPU ตัวเดียวที่มีปริมาณงานสูง ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
PagedAttention และ vLLM ในทางปฏิบัติ
การแบ่งปันพร้อมท์ของระบบแบบยาวกับคำขอนับพันผ่านการแคชคำนำหน้า ดังนั้นจึงได้รับการประมวลผลเพียงครั้งเดียว ไม่ใช่ซ้ำๆ
การแบ่งปันพร้อมท์ของระบบที่ยาวนานกับคำขอนับพันผ่านการแคชคำนำหน้า เพื่อที่จะประมวลผลเพียงครั้งเดียว ไม่ซ้ำกัน ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
PagedAttention และ vLLM ในทางปฏิบัติ
เรียกใช้การค้นหาบีมหรือการสุ่มตัวอย่างหลายรายการที่แชร์บล็อก KV สำหรับพรอมต์ทั่วไปผ่านการคัดลอกเมื่อเขียน
การเรียกใช้การค้นหาบีมหรือการเสร็จสิ้นตัวอย่างหลายรายการที่ใช้บล็อก KV ร่วมกันสำหรับพร้อมท์ทั่วไปผ่านการคัดลอกเมื่อเขียน ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
PagedAttention และ vLLM ในทางปฏิบัติ
ลดการสิ้นเปลืองหน่วยความจำ GPU จากการแตกแฟรกเมนต์ เพื่อให้ผู้ให้บริการสามารถแพ็คเซสชันพร้อมกันมากขึ้นไปยังฮาร์ดแวร์เดียวกัน
การตัดการสิ้นเปลืองหน่วยความจำ GPU จากการกระจัดกระจาย เพื่อให้ผู้ให้บริการสามารถแพ็คเซสชันพร้อมกันมากขึ้นไปยังฮาร์ดแวร์เดียวกัน ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
การเพิ่มประสิทธิภาพเกณฑ์มาตรฐานหนึ่งรายการสามารถซ่อนจุดอ่อนของระบบในวงกว้างได้
ต้นทุนโครงสร้างพื้นฐานและการบำรุงรักษามักถูกประเมินต่ำไป
ช่องว่างด้านความปลอดภัยและความสามารถในการสังเกตสามารถเพิ่มขึ้นได้เมื่อระบบมีความซับซ้อนมากขึ้น
แผนงานการดำเนินงาน
กำหนดเป้าหมายเวลาแฝง คุณภาพ และต้นทุนก่อนนำไปใช้งาน
กำหนดเป้าหมายเวลาแฝง คุณภาพ และต้นทุนก่อนนำไปใช้งาน ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
เกณฑ์มาตรฐานภายใต้สภาวะโหลดและข้อมูลจริง
เกณฑ์มาตรฐานภายใต้สภาวะโหลดและข้อมูลจริง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
การตรวจสอบเครื่องมือเพื่อหาข้อผิดพลาด การเบี่ยงเบน และผลกระทบต่อผู้ใช้
การตรวจสอบเครื่องมือเพื่อหาข้อผิดพลาด การเบี่ยงเบน และผลกระทบต่อผู้ใช้ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
เตรียมเส้นทางการย้อนกลับและการตอบสนองต่อเหตุการณ์ก่อนปรับขนาด
เตรียมเส้นทางการย้อนกลับและการตอบสนองต่อเหตุการณ์ก่อนปรับขนาด ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น