背景介绍

大语言模型正以其惊人的新能力推动人工智能的发展，扩大其应用范围。然而，由于这类模型具有庞大的参数规模，部署和推理的难度和成本极高，这一挑战一直困扰着 AI 领域。此外，当前存在大量支持模型部署和推理的框架和工具，如 ModelScope 的 Model Pipelines API 和 HuggingFace 的 Text Generation Inference 等，各自都有其独特的特点和优势。然而，这些工具往往未能充分发挥 GPU 的性能。

为了解决这些问题，NVIDIA 推出了一种全新的解决方案——TensorRT-LLM。这是一款高度优化的开源计算框架，它将 NVIDIA TensorRT 的深度学习编译器、FasterTransformer 的优化内核、预处理和后处理，以及多 GPU/多节点通信等功能封装在一个简单的开源 Python/C++ API 中，同时与硬件进行了一体化优化，形成了一种产品级的大模型推理解决方案。NVIDIA TensorRT-LLM 具有多项突出的特性，包括支持新的 FP8 数据格式，这使得模型可以在更低的精度下运行，从而减少内存消耗，同时保持模型的准确性。它还支持一种名为“In-flight batching”的新调度技术，可以更有效地处理动态负载，提高 GPU 利用率。

此外，TensorRT-LLM 还支持模型的并行化和分布式推理，利用张量并行性进行模型并行化，使模型可以在多个 GPU 之间并行运行，从而实现大型模型的高效推理。最重要的是，TensorRT-LLM 极大地简化了开发流程，使得开发者无需深入了解底层的技术细节，也无需编写复杂的 CUDA/C++ 代码。它提供了一个易用、开源和模块化的应用编程接口，使开发者能够轻松定义、优化和执行新的大语言模型架构和增强功能。总的来说，TensorRT-LLM 让用户可以专注于模型的设计和优化，而将底层的性能优化工作交给 TensorRT 来完成，大大提高了开发效率和生产效率，真正实现了大模型推理的易用性和高效性。

阿里云的通义千问开源模型 Qwen-7B，拥有 70 亿参数，在一系列全方位的评估中展示了其在自然语言理解与生成、数学问题求解、代码生成等领域的优秀能力。这些评估涵盖了多个数据集，包括 MMLU、C-Eval、GSM8K、HumanEval 以及 WMT22 等。在这些评测中，Qwen-7B 不仅超越了同等规模的其他大语言模型，甚至在某些方面超过了参数规模更大的模型。因此，对于 TensorRT-LLM 来说，支持 Qwen 系列模型具有重要的意义。

开发与优化过程

我们是社区开发者，通过阿里云天池举办的 NVIDIA TensorRT Hackathon 2023 接触到了 NVIDIA TensorRT-LLM，并为它贡献了代码。TensorRT-LLM 已开源（https://github.com/NVIDIA/TensorRT-LLM），包含了我们开发的 Qwen-7B 模型。以下是我们的开发记录，供其他开发者参考。

基础功能支持

  1. 首先我们初步分析了 examples/llama 代码，以深化对 trt-llm 基本流程的理解。在 llama 项目的 weight.py 中，存在一个 load_from_meta_llama 函数，该函数包含 tensorrt_llm.models.LLaMAForCausalLM，此部分定义了 TensorRT 的模型结构。复制 examples/llama 并将其重命名为 examples/qwen，同时将 LLaMAForCausalLM 复制并创建新的 mode.py 文件，将相关内容粘贴至此。在这个过程中，所有包含“llama”的模型都被替换为“qwen”。

  1. 接下来，我们对项目中的 weight.py 的 load_from_hf_qwen 函数进行修改，目的是逐步将 HuggingFace 的权重名称与 TensorRT 的权重名称对齐。执行 build.py 后，虽然编译成功，但执行 run.py 的结果并未如预期。

  1. 参照 TensorRT-LLM 的 docs/source/2023-05-19-how-to-debug.md 文档，我们对模型进行了详细的调试，从外到内打印模型层的数值，观察 mean/sum/shape，并与原版进行对比。经过排查，我们发现 attention 部分已经包含了 rope 计算，通过调整 gpt attention plugin 的参数，最终使得输出的 logits 正常。

  1. 再次优化 run.py，将 HuggingFace 原版 qwen_generation_utils.py 中的 make_context 函数迁移到 utils/utils.py 中，并导入该函数。这个函数被用来构造一个 chat 版的 prompt 输入，同时我们调整 eos 和 pad token 为 qwen 专属的 <|im_end|> 或者 <|endoftext|>，最终 run.py 输出也正常。

增加功能：Weight Only 量化

在 FP16 对齐成功，并且 run.py 以及 summarize.py 文件均能正常运行之后，我们开始探索实现 weight only int8/int4 量化。这只需要在 build.py 文件中对 weight only int8/int4 分支进行轻微调整，包括 shape 的修改，以及保持权重名称与 FP16 一致。接下来，我们进行编译测试，发现这一过程顺利完成，且工作量并未超出预期，这部分工作基本无需投入大量人力资源。

增加功能：Smooth Quant

  1. 在参考 Llama 项目的基础上，我们将 hf_llama_convert.py 替换为 hf_qwen_convert.py 文件，该文件用于将 HuggingFace 的权重导出至 FasterTransformer (FT) 格式的文件。同时，我们将 llama/weight.py 中的 load_from_binary 函数重命名为 load_from_ft 复制到 qwen/weight.py 中，并根据我们导出的权重文件进行了适当的修改。然后，我们将 qwen/build.py 中默认的加载函数从 load_from_hf_qwen 更改为 load_from_ft。为了保证兼容性，我们也对 load_from_ft 函数进行了 fp16 以及 weight_only 的 int8/int4 的适配，其适配流程与之前的基本相同。当开发者未导出 FT 权重时，系统会自动加载 load_from_hf_qwen 函数以生成 engine。

  1. 在 smooth quant 的实现方面，我们参考了 example/llama 的 smooth quant 过程，同样在 hf_qwen_convert.py 中添加了 --smoothquant 选项。通过调试 example/llama/hf_llama_convert.py 文件，我们观察了 smooth_llama_model 函数的计算方法以及参数的 shape，发现其 mlp 的 gate 和 up 与 qwen mlp 的 w2/w1 layer 相对应，并且 w1/w2 共享一个输入。这部分的适配与之前的基本一致，唯一的区别是，attention 和 mlp 中需要量化的层需要进行转置，然后在 weight.py 的 load_from_ft 函数中再次转置回来。

  1. 我们再次分析了 example/llama 的 smooth quant 过程，并参考了其 build.py 文件，发现其中一个有一个 from tensorrt_llm.models import smooth_quantize 过程。在这个过程中，_smooth_quantize_llama 函数会替换掉 trt-llm 原本的模型结构。因此，我们在 qwen/utils 目录下建立了一个 quantization.py 文件，参考了 llama 的 SmoothQuantAttention，并复用了其 SmoothQuantRmsNorm，从而实现了 qwen 的 smooth quant 的全部过程。

优化效果

精度

  • 测试平台：NVIDIA A10 Tensor Core GPU (24G 显存) | TensorRT 9.0.0.1。

  • TRT_LLM engine 编译时最大输入长度：2048， 最大新增长度：2048。

  • HuggingFace 版 Qwen 采用默认配置，未安装，未启用 FlashAttention 相关模块。

  • 测试时：beam=batch=1，max_new_tokens=100。

  • 测试结果（该结果由 examples/qwen/summarize.py 生成。注：量化后分数与原版分数越接近，精度越好）：

性能

  • 测试平台：NVIDIA A10 Tensor Core GPU (24G 显存) | TensorRT 9.0.0.1。

  • 测试数据集为 ShareGPT_Vicuna_unfiltered，下载地址：https://huggingface.co/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json

  • 生成速度（token/s）：此指标不仅包括 generation 的过程，同时也计算了 context 阶段时间，因此它表示的是每秒实际处理（理解输入和生成输出）的 token 数量。

  • 吞吐速度（requests/s）：此指标代表在极限情况下，无请求间隙时，系统平均每秒能处理的请求数量。

  • 以下的测试包含多个 batch，主要用于测试特定显卡的极限运行情况，测试过程仅使用 TensorRT-LLM python 运行时环境。

  • HuggingFace 版 Qwen 采用默认配置，未安装，未启用 FlashAttention 相关模块。

  • 当最大输入长度：2048， 最大新增长度：2048，num-prompts=100, beam=1, seed=0 时，BenchMark 结果如下：

图 1：TensorRT-LLM 与 HuggingFace 吞吐以及生成对比 （吞吐加速比最高 4.25, 生成加速比最高 4.69）

  • 当最大输入长度：1024， 最大新增长度：1024，num-prompts=100, beam=1, seed=0。BenchMark 结果如下：

图 2：TensorRT-LLM 与 HuggingFace 吞吐以及生成对比 （吞吐加速比最高 4.57, 生成加速比最高 5.56）

总结

从整个开发过程的角度来看，NVIDIA TensorRT-LLM 已经实现了相当丰富的功能。它支持新模型的工作量不大，因为可以复用已有模型的相关代码，只需要进行少量的改动即可完成对新模型的支持。这表明了 TensorRT-LLM 具有很好的扩展性。此外，在精度方面，它能够与 HuggingFace 保持一致，但在速度方面最高可以达到 HuggingFace 的 5.56 倍。综合考虑这些因素，可以说 TensorRT-LLM 完全有资格成为大规模语言模型推理框架的首选。它极大地缓解了推理和部署的难题，为广泛应用大语言模型提供了有力支持。

项目代码

开源地址：

https://github.com/Tlntin/Qwen-7B-Chat-TensorRT-LLM

关于作者

邓顺子

广州大学工程管理专业，拥有管理学学士学位，目前担任 NLP 算法工程师，主要研究留学教育领域的信息抽取与智能对话。曾获得第二十一届中国计算语言学大会（CCL2022）航旅纵横杯一等奖（子任务二）和三等奖（子任务一），也是热门 Rust 开源项目 Pake 的主要贡献者之一。

赵红博

河南科技大学机械制造专业，拥有工学学士学位，目前在 Boss 直聘担任高性能计算开发工程师，主要研究招聘领域模型的推理加速工作。

季光

NVIDIA DevTech 团队经理，博士毕业于中科院计算所。擅长 GPU 加速的视频处理以及性能优化，以及深度学习模型的推理优化，在 GPU 视频编解码以及 CUDA 编程与优化方面积累了丰富的经验。