2023年9 月 29 日,由阿里云、NVIDIA 联合主办,阿里云天池平台承办的 “NVIDIA TensorRT Hackathon 2023 生成式 AI 模型优化赛” 圆满落幕。该赛事自2020年以来,已成功举办三届,本届赛事于今年 7 月启动,吸引了来自全国 729 支开发者团队报名参赛,其中共有 40 支团队晋级复赛,最终 26 支团队于决赛中脱颖而出,分获冠军/亚军/季军及优胜奖,展现出了卓越的技术实力。
解锁 TensorRT-LLM 挖掘生成式 AI 新需求
今年的NVIDIA TensorRT Hackathon着重提升选手开发 TensorRT 应用的能力。
在过去的一年里,生成式 AI 迎来了爆发式增长。计算机能够批量生成大量图像和文本,有的甚至能够媲美专业创作者的作品。这为未来生成式 AI 模型的发展铺平了道路,令人充满期待。正因如此,NVIDIA TensorRT Hackathon 2023 选择生成式 AI 模型作为比赛的主题,以激发选手的创新潜力。
今年的比赛设置了初赛和复赛两组赛题——初赛阶段,选手需要利用 TensorRT 加速带有 ControlNet 的 Stable Diffusion pipeline,以优化后的运行时间和出图质量作为主要排名依据;复赛为开放赛题,选手可自由选择公开的 Transformer 模型,并利用 TensorRT 或 NVIDIA TensorRT-LLM 进行模型推理优化。
NVIDIA TensorRT™ 作为 GPU 上的 AI 推理加速库,一直以来都备受业界认可与青睐。本次比赛的背后是 NVIDIA TensorRT 开发团队对产品不断进行改进和优化的结果。通过让更多模型能够顺利通过 ONNX 自动解析得到加速,并对常见模型结构进行深度优化,极大地提高了 TensorRT 的可用性和性能。这意味着大部分模型无需经过繁琐的手工优化,就能够在 TensorRT 上有出色的性能表现。
TensorRT-LLM 是 NVIDIA 即将推出用于大语言模型推理的工具,目前已于官网开放试用。作为此次复赛推荐使用的开发工具之一,TensorRT-LLM 包含 TensorRT 深度学习编译器,并且带有经过优化的 CUDA kernel、前处理和后处理步骤,以及多 GPU/多节点通信,可以在 NVIDIA GPU 上提供出类拔萃的性能。它通过一个开源的模块化 Python 应用 API 提高易用性和可扩展性,使开发人员能够尝试新的 LLM,提供最顶尖的性能和快速自定义功能,且不需要开发人员具备深厚的 C++ 或 CUDA 知识。
作为本次大赛的主办方之一,阿里云天池平台为参赛选手提供了卓越的云上技术支持,在阿里云GPU云服务器中内置 NVIDIA A10 Tensor Core GPU,参赛者通过云上实例进行开发和训练优化模型,体验云开发时代的AI工程化魅力。同时,由NVIDIA 30 名工程师组成导师团队,为晋级复赛的 40 支队伍提供一对一辅导陪赛,助力选手获得佳绩。
从实践到迭代 脑力与创造力的集中比拼
本次比赛中涌现出大量优秀的开发者。在获奖的 26 支团队中,有不少团队选择借助 TensorRT-LLM 对通义千问-7B 进行模型推理优化。
通义千问-7B(Qwen-7B)是阿里云研发的通义千问大模型系列的 70 亿参数规模的模型,基于 Transformer 的大语言模型,在超大规模的预训练数据上进行训练得到。在 Qwen-7B 的基础上,还使用对齐机制打造了基于大语言模型的 AI 助手 Qwen-7B-Chat。
获得此次比赛一等奖的 “无声优化者(着)” 团队,选择使用 TensorRT-LLM 完成对 Qwen-7B-Chat 实现推理加速。在开发过程中,克服了 Hugging Face 转 Tensor-LLM、首次运行报显存分配错误、模型 logits 无法对齐等挑战与困难,最终在优化效果上,吞吐量最高提升了 4.57 倍,生成速度最高提升了 5.56 倍。
而获得此次赛事二等奖的 “NaN-emm” 团队,在复赛阶段,则选择使用 TensorRT-LLM 实现 RPTQ 量化。RPTQ 是一种新颖的基于重排序的量化方法,同时量化了权重与中间结果(W8A8),加速了计算。从最开始不熟悉任何 LLM 模型,到后续逐步学习和了解相关技术,“NaN-emm” 团队启用了GEMM plugin,GPT Attention plugin,完成了 VIT、Q-Former、Vicuna-7B 模型的转化,最终通过 40 个测试数据,基于 Torch 框架推理耗时 145 秒,而经过 TensorRT-LLM 优化的推理引擎耗时为 115 秒。
本次大赛还涌现了一批优秀的开发者,本届参赛选手邓顺子不仅率领队伍获得了一等奖,还收获了本次比赛唯一的特别贡献奖。他表示,2022 年的 Hackathon 比赛是他首次接触 TensorRT,这使他对模型推理加速产生了浓厚的兴趣。尽管当时未能进入复赛,但那次经历让他深感自身技能的不足。在上一次比赛中,他目睹了顶尖选手使用 FasterTransformer 在比赛中取得领先地位,这一经历让他对 AI 技术有了更深入的理解和追求。随后,他积极做 TensorRT 上的模型开发,特别是对 ChatGLM/Bloom 等新兴模型进行了优化,感受到了 TensorRT 的强大。
今年,他再次参加了 TensorRT Hackathon 2023,利用 TensorRT-LLM 成功优化了 QWen 大模型,实现了自己的梦想。他感谢主办方给予的机会,团队的支持,以及所有参赛者的努力,他期待未来能与大家一起为 AI 技术的发展创造更多奇迹。
人工智能应用场景创新日新月异,AI 模型的开发与部署也需要注入新的动能。在此次赛事中,选手们基于 TensorRT 挖掘出更多的潜能和功能需求。未来,阿里云和NVIDIA 还将持续为开发者和技术爱好者提供展示技能和创意的平台,天池平台将与更多优秀的开发者一同推进 TensorRT 的发展,让 AI 在 GPU 上更容易、更高效地部署。
好文章,需要你的鼓励
P1.AI创始人保罗·埃雷门科正用合成数据训练AI设计物理系统,从住宅冷却到星际飞船,突破工程AGI的终极瓶颈——数据稀缺。他的AI工程师Archie已能像人类一样处理多物理场任务,目标是让机器设计人类无法想象的复杂系统。
波士顿大学研究团队开发的DORI基准测试从四个维度评估多模态大语言模型的物体方向理解能力:正面对齐、旋转变换、相对方向和规范方向感知。研究评估了15个最先进模型,发现即使最佳模型在粗粒度任务上的准确率也仅为54.2%,在细粒度方向判断上更低至33.0%,与人类表现相差近30%。结果表明当前模型在精确角度估计、多视角追踪和理解复合旋转方面存在系统性缺陷,反映了它们内部3D空间表示的根本局限,为未来模型设计提供了明确方向。
这篇研究介绍了Oracle AI团队开发的一种针对企业系统的域特定检索硬负样本挖掘框架。该方法通过整合多种嵌入模型、降维处理和独特的语义选择标准,动态识别具有挑战性但上下文无关的文档作为训练样本,显著提升了重排序模型的性能。在云服务领域的测试中,该方法在MRR@3和MRR@10指标上分别提升了15%和19%,并在多个公开领域数据集上展示了广泛适用性,为企业搜索和检索增强生成应用提供了实用解决方案。
Oracle研究团队开发了FS-DAG,这是一种用于视觉丰富文档理解的少样本领域适应图网络模型。与传统大型模型不同,FS-DAG仅需5份示例文档即可适应新文档类型,参数量不到90M,却在信息提取任务中表现卓越。模型采用模块化架构,结合预训练的文本和视觉特征提取器与图神经网络,展现出对OCR错误的极强鲁棒性(性能下降不到1%)。实验表明,FS-DAG在多种文档类型上优于LayoutLMv2等大型模型,同时具有更短的训练和推理时间。目前已被50多家企业采用,每月处理超过100万次API调用,证明了其在实际业务场景中的价值。