Llama提速500%！谷歌美女程序员手搓矩阵乘法内核

点击上方↑↑↑“OpenCV学堂”关注我
来源：公众号 新智元 授权

谷歌的美女程序员，将Llama的推理速度提高了500%！

近日，天才程序员Justine Tunney发推表示自己更新了Llamafile的代码，

她重写了84个新的矩阵乘法内核，使得Llamafile可以更快地读取提示和图像。

与llama.cpp相比，新的Llamafile在CPU上的推理速度提升了30%到500%。

其中，ARMv8.2+（如RPI 5）、Intel（如Alderlake）和AVX512（如Zen 4）计算机的改进最为显著。

另外，对于适合L2缓存的矩阵，新的内核比MKL快2倍！

Justine Tunney表示：负责MKL的大家，你们有事做了！

毕竟，由微软，英特尔，TI，AMD，HPE，Oracle，Huawei，Facebook，ARM和National Science Foundation资助的BLIS，作为最强大的开源BLAS，输了就太没面子了！

Any time somebody outside Intel beats MKL by a nontrivial amount, I report it to the MKL team. It is fantastic for any open-source project to get within 10% of MKL... [T]his is why Intel funds BLIS development.

每当英特尔以外的人以不小的幅度击败MKL时，我都会向MKL团队报告。对于任何开源项目，超过MKL 10%以内就已经非常厉害了......这就是英特尔为BLIS开发提供资金的原因。

Llamafile作为一个本地LLM项目，诞生于去年11月，由Justine Tunney与Mozilla团队合作开发。

他们使用Cosmopolitan Libc，将llama.cpp打包为一个跨平台的单个二进制文件，让「羊驼」可以在基于AMD64和ARM64的六个操作系统上运行。

而且在GPU短缺的情况下，Llamafile可以不需要昂贵的CUDA内核，——家里的旧CPU，只要性能还行，再加一点RAM就足够了，很好地保护了大家的钱包。

项目地址：https://github.com/Mozilla-Ocho/llamafile/releases

Llamafile代码可以在GitHub上找到，使用C++编写的，没有外部依赖，可以在Linux、macOS、Windows、FreeBSD，甚至SerenityOS上编译。

而且，Justine Tunney并没有就此止步。她已经在努力支持新的数据格式，比如FP16和BF16，以进一步减少内存占用，——她甚至在Raspberry Pi上成功运行了TinyLlama！

老惠普

Justine Tunney最开始尝试LLM时，用的是下面这台简陋的HP主机，运行Alpine，机械硬盘、慢速RAM、AVX2处理器、没有 GPU。

HP Intel® Core™ i9-9900 ($439) w/ 2200 MT/s RAM

出于对llama.cpp的喜爱，Justine Tunney与人合作为其引入了mmap()支持，使得权重可以立即加载，只使用原来一半的RAM。

之后，Justine又花了很长的时间来优化代码，让我来看一下改进后的效果：

在Skylake上，llamafile实现了2倍的加速，llama.cpp也获得了50%的性能提升。

到目前为止，Justine为q8_0、f16、q4_1、q4_0和f32数据类型编写了优化的内核。

树莓派

最新版的树莓派不仅提升了主频，还引入了对ARMv8.2 dotprod 和fp16算术ISA的支持，仅这两个功能就让llama.cpp在f16权重上实现了10倍性能提升。

因为树莓派的两个CPU都有32个矢量寄存器，Justine使用为AVX512编写的内核，使推理速度又提高了2倍。

不过值得注意的是，新的ARMv8.2 fp16 ISA可能会引入比平时更多的错误，因为它会导致llamafile使用fp16。因此，Q8_0权重实际上的效果更好，因为它使用dotprod ISA。

游戏主机

在Alderlake CPU上，Justine将float16的性能提高了五倍。

与ARMv8.2不同，Alderlake能够在不引入舍入错误的情况下做到这一点，因为内核在内部使用float32计算类型。

另外让人吃惊的是，当涉及到小工作负载时，这个芯片甚至能够在CUDA开始之前就完成任务。

苹果

Mac Studio，作为llama.cpp开发人员最关心的硬件平台，想要在这里提升性能比较困难。

另一个问题则是苹果自身的封闭环境：

M2 Ultra将RAM DIMM放在了CPU内部，使得token生成等受延迟限制的操作速度更快，因为CPU不再需要打「长途电话」了。

我们可以看到，与便宜得多的英特尔计算机相比，M2 Ultra仅通过ARM ISA暴露了30%的计算能力。

如果开发者想访问更多内容，则需要通过苹果的专有框架，例如Metal和Accelerate。

AMD

虽然llamafile非常关心帮助缺乏GPU的人，但也为另外1%的人提供了一流的体验。

AMD Ryzen Threadripper PRO 7995WX，通过花费10,000美元左右，你会得到96个基于Zen4架构的AVX512内核。

尽管价格只有M2 Ultra的两倍，但7995WX x86 ISA提供的原始计算能力是M2 Ultra ARM ISA的7倍，token生成速度几乎相同，这可能要归功于384M的L3缓存。

通过Justine的优化，现在可以在Zen4上以2.8倍的速度运行LLaMA。