天才一秒记住【长江书屋】地址：https://www.cjshuwu.com
在人工智能领域，随着模型规模的不断扩大，推理成本和访存效率已成为制约大模型广泛应用的关键瓶颈。
传统方法如e（mixture
of
experts）虽然通过稀疏激活机制成功实现了计算和参数的解耦，但在推理场景下，其高昂的访存成本和较慢的速度却成为了不可忽视的问题。
近日，字节跳动豆包大模型团队提出的ultramem架构，为这一难题提供了全新的解决方案，并在iclr
2025上得到了认可。
本文将深入探讨ultramem的创新之处，以及它如何引领大模型推理的未来。
ultramem：高效推理的新纪元
ultramem是一种将计算和参数解耦的稀疏模型架构，它在保证模型效果的前提下，显着解决了推理时的访存问题。
相较于e，ultramem在推理速度上实现了2-6倍的提升，推理成本最高可降低83%。
这一突破性的成果，无疑为构建大规模语言模型（llm）提供了有力的支持。
在transformer架构下，模型的性能与其参数数量和计算复杂度密切相关。
然而，随着llm规模的不断增大，推理成本急剧增加，速度变慢，成为制约其广泛应用的关键因素。
e架构虽然通过稀疏激活机制降低了计算量，但在推理时，较小的batch
size会激活全部专家，导致访存急剧上升，推理延迟大幅增加。
而ultramem则通过一系列创新设计，有效解决了这一问题。
ultramem的创新之处
ultramem的创新主要体现在三个方面：优化模型结构、优化va露e检索方式以及隐式扩展稀疏参数。
首先，在模型结构上，ultramem借鉴了pkm（product
key
mery）的设计，但对其进行了改进。
pkm的mery
layer只有一层，插在整个transformer的中间层，这对大规模训练并不友好。
ultramem则拆分出多个小mery
layer，以固定的间隔分布在transformer
layer中，并增加了skip-layer操作。
这使得模型可以并行地执行mery
layer的访存操作和transformer
layer的计算，从而提高了推理效率。
其次，在va露e检索方式上，ultramem采用了更复杂的乘法方法tucker
deposed
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！