文｜AI大模型工场，编辑｜星奈
谈到大模型私有化部署，很多人会首先想到数据中心，以为动辄就得使用很多台服务来支撑。一些中小企业或者应用部门，主要做知识库和智能体方向的应用，模型大小基本在70B以内。只要搭配合理，用本地的专业工作站同样可以训练推理，算得上极具性价比的方案了。
随着OpenAI o1-preview的发布，大模型已经越发成熟，距离走入企业生产应用已经很近了。但OpenAI提供访问的次数非常有限，这给企业用户的AI应用普及带来了一定的费用焦虑和困扰。为了应对日益增长的访问频率需求，越来越多的企业用户倾向于大模型的本地化部署。大模型本地部署可以极大地降低数据泄漏的风险，而且系统响应速度和实时性更强，在一些需要快速反馈的场景里优势非常明显，同时也能应对企业个性化需求。
通过在传统数据中心上进行本地大模型部署的方法，会对IT设施带来比较大的挑战，因为从计算资源来说，很多企业的数据中心计算资源很紧张，而且扩展成本比较高，甚至有些中小企业还不具备搭建数据中心的能力。所幸的是，对于知识库等企业级AI 应用来说，完全可以用高配的AI工作站来应对计算需求，以经济高效的方式减轻对数据中心计算资源的压力，从而降低云服务的成本支出。
这次我们选用的是Dell Precision 7960 Tower，搭载了4张「NVIDIA RTX 5880 Ada 」显卡，每张显卡显存48GB，相当于在1台工作站里就能最多有192GB显存，完全可以部署Llama3.1 70B模型。
Dell Precision 7960 Tower
70B模型拥有700亿参数量，在语言理解和生成方面具有显著优势，已经能够满足常见的企业级AI应用，比如知识库应用、对话问答等，同时多任务处理能力也很强，可以支持企业在一个统一的平台上运行多种AI 应用。同时，开源大模型70B的开放和灵活使得它在市场上具有广泛的适用性，大大降低企业的使用成本。而且量化后的70B模型仅占70G的显存，非常适合部署在工作站上，降低计算资源方面的成本。
购置机器前我们做了相对完整的测试和验证，包括推理、训练和噪音测试，下面给大家分享一些数据。
一、测试环境 硬件配置：
硬件平台：Dell Precision 7960 Tower
CPU: Intel(R) Xeon(R) w5-3433
内存：64G DDR5 * 8
GPU: NVIDIA RTX 5880 ada * 4
软件平台环境：
操作系统：ubuntu22.04
Driver Version: 550.107.02
CUDA: 12.1
软件包：conda python3.10 torch2.4 vllm0.6.1
测试模型：
这次我们分别测试了单GPU、双GPU以及四卡GPU的表现情况。并在不同的模型下进行测试，模型参数分别为8B/13B/32B/70B，具体模型名称如下：
Meta-Llama-3.1-8B-Instruct
Baichuan2-13B-Chat
Qwen1.5-32B-Chat
Meta-Llama-3.1-70B-Instruct
说明：接下来的推理测试，会使用FP16或FP8格式进行测试。在模型名称的后缀，如果有FP8字样，则使用的是FP8格式，否则使用的是FP16格式。
FP8是NVIDIA、Arm、Intel联合推出的8位浮点数据格式，用于加速深度学习训练和推理。相对于常用的半精度FP16而言，FP8在不损失多少精度的情况下，将显存的占用大小减少了一半，特别适合于将大模型部署于工作站上。FP8训练利用E5M2/E4M3格式，具备与FP16相当的动态范围，适用于反向传播与前向传播。FP8训练在相同加速平台上的峰值性能显著超越FP16/BF16，并且模型参数越大，训练加速效果越好，且其与16-bits训练在收敛性和下游任务表现上无显著差异。
推理框架：
vllm推理引擎来进行测试，为最大程度利用GPU显存，将其GPU utilization参数设置为0.99。
述语说明：
Batch size: 推理或训练时输入的数据批量数量，为1表示单个输入，例如一段文字，为2表明同时进行两段文字的生成，以此类推。它代表的是用户并发数量。
token/s：推理或训练的速度，每秒生成的数量。一个token是代表一个单词或词根，如果是中文的话，可能是一个字或一个词。
AI 应用场景测试列表
二、推理测试 测试用例
为贴近真实情况，使用了两种测试用例：
1、短输入及短输出，测试模型进行闲聊的性能，具体输入长度为128，输出长度也为128；
2、长输入及长输出，测试大模型进行知识库应用的性能，具体输入长度3584，输出512。
为了消除误差，每个测试进行4次，并取平均值。
Dell Precision 7960 Tower搭载
单卡「NVIDIA RTX 5880 Ada」的推理测试结果
在垂类行业的智能客服场景下，我们一般会采用单卡「NVIDIA RTX 5880 Ada」的工作站来应对，模型大小集中在7B，8B，13B等。用户的输入普遍都比较短，AI的输出也不长。这种情况下，使用单卡推理效率是最高的，因为不需要进行卡间通信，能提高显卡的利用率。
我们选择测试的模型：Llama 3.1-8B-Instruct、Baichuan 2-13B-Chat-FP8
测试1: 短输入及短输出（input 128, output 128）
首先我们测试了Llama3.1 8B，在测试batch size达到256情况下，吞叶率最高可达约4454 token/s，同时，总时延控制在合理的10秒左右，首字时延2.8秒左右。
为了对比，这次对Baichuan2-13B进行了FP8的量化，其表现如下图：在测试batch size 达到256的情况下，吞叶率最高可达2137 token/s，首字时延为2.48秒。
测试2: 长输入及长输出（input 3584, output 512）
在此测试用例中，首先测试了llama 3.1 8B-Instruct，我们可以将batch size 控制在16-32之间，其首字时延在4-9秒之间，吞吐率可在400-635 token/s。
再来看看百川13B （FP8量化）在长输入及长输出情况下的表现。
从上图可以看出，batch size为8时，首字时延仅为2.59秒，但当batch size增加到16时，首字时延则不成比例地来到15.11秒。因此 batch size 在单张显卡的推理情况下不宜设置过大，建议控制在8到16之间。
Dell Precision 7960 Tower搭载
双卡「NVIDIA RTX 5880 Ada」的推理测试结果
在企业级知识问答场景下，我们通常选择搭载双卡「NVIDIA RTX 5880 Ada」的工作站。比如我们选择用32B模型，其推理能力以及准确性，对比8B、13B有较大的提升，而且双卡可以极大地提高响应速度和显卡利用率。
我们选择Qwen 1.5 32B作为测试模型，并做了FP8量化。
测试1: 短输入及短输出（input 128, output 128）
在双卡用于短输入短输出的场景下，batch size 最高可设置到256，此时的吞吐率约为2587 token/s，首字时延仅为3.92秒。
测试2: 长输入及长输出（input 3584, output 512）
双卡用于知识库的应用场景里，适中的batch size应该是在 16-32之间，其首字时延为6-12秒，总时延30-50秒。
Dell Precision 7960 Tower搭载 四卡「NVIDIA RTX 5880 Ada」的推理测试结果
70B模型无论是在准确性或者推理方面，都达到目前主流大模型的水准，能广泛适用于智能体以及知识库应用，适合于企业的知识问答、效率级AI或RPA的赋能等场景。
这次我们选择Llama3.1 70B-Instruct 模型来测试，并做了FP8 量化。
测试1: 短输入及短输出（input 128, output 128）
在4卡「NVIDIA RTX 5880 Ada」的加持下，batch size为256的情况下，吞吐率高达1730 token/s，平均总时延为27秒左右，首字时延8秒左右，可以说是非常理想。
测试2: 长输入及长输出（input 3584, output 512）
由于输入token较长，首字时延会成比例增长。测试结果反映，在batch size为1的情况下，首字时延仅为1.4秒，同时吞吐率为32 token/s，当batch size增长到8时，首字时延来在6.68秒，总时延达到29.5秒，吞吐率则高达179 token/s。从实际使用情况来看，Batch size 控制在8以内的情况下，使用体验相对较好。
三、训练测试
「NVIDIA RTX 5880 Ada」具备48GB显存，特别适合于进行大模型的微调任务，这次我们使用了Llama-Factory对搭载不同数量「NVIDIA RTX 5880 Ada」 GPU的Dell Precision 7960 Tower进行了训练任务的测试，结果如下：
对于8B模型，我们使用一张「NVIDIA RTX 5880 Ada 」就足够 Lora训练，其平均功耗达260W，即算力利用率可达91%。
对于13B模型，双卡即可做Lora训练，其算力利用率也高达92%。
对于32B和70B大小的模型，我们可用四卡来训练（因为这两模型参数较大，在现有192G显存中无法使用FP16来加载，所以我们使用QLora的方式进行微调训练），在多卡通信的情况下，算力利用率仍然高达82%以上。
8B 模型全参微调
得益于4卡工作站高达192GB的超大显存，我们可以进行8B模型的全参微调。
我们使用了deepspeed框架进行多卡训练，并配置为zero3的模式，测试过程相当顺利，其训练的吞吐率接近Qlora的表现，达到67.4 token/s的水平，在alpaca 1k数据集上，训练3个epoch，也仅花了30多分钟。
四、噪音测试
考虑到办公环境的静音要求，这次我们特别对Dell Precision 7960 Tower工作站进行了噪音测试。
在训练测试过程中，4张显卡平均利用率80-90%的情况下，我们靠近工作站出风口，测得平均56分贝的水平。在推理测试中，测得接近50分贝的水平。
总体上噪音控制得非常好，相当安静，从实际感受来说，基本上对办公室工作没有影响。
总结
目前此阶段企业级AI应用，最常见的就是基于知识库以及智能体方向的应用，也就是本次测试中使用到的input 3584/ouput 512的测试用例。即便是比较大规模的70B模型，搭载4卡「NVIDIA RTX 5880 Ada」的Dell Precision 7960 Tower也能支撑并发高达8个用户的访问，且用户体验不会下降。在此配置下，平均每个用户生成答案的总时延仅为30秒，也就是说平均每分钟可提供多达16次访问能力，每小时则能提供约1000次用户访问能力，可以支撑中小型企业的日常应用需求。
对于有海量数据或文档，用户数量也比较高的企业来说，建议使用私有数据对模型进行微调。因为这种方案，可以省去在做推理时的知识外挂，从而提高并发访问能力。而Dell Precision 7960 Tower，也能满足此要求。即使是70B的大模型，其在input 128/output 128的测试用例中，并发能高达256次，总时延仅为27秒。也就是说，在最理想的情况下，每小时可提供高达3万多次的访问。
除了实用之外，Dell Precision 7960 Tower 超级静音的优势对于没有机房的企业团队简直过于友好！对于在做项目测试验证、并且想突破企业数据中心访问限制的小伙伴们来说，也是一个高效实现AI自由的选择！
热门跟贴