计算机科学 > 机器学习
[提交于 2025年8月2日
]
标题: FlashSVD:低秩模型流式传输的内存高效推理
标题: FlashSVD: Memory-Efficient Inference with Streaming for Low-Rank Models
摘要: 奇异值分解(SVD)最近作为大规模语言模型(LLMs)压缩的简单而强大的工具引起了广泛关注,越来越多的研究表明,在最小精度损失的情况下可以实现20-80%的参数减少。 基于先前的SVD方法主要集中在减少模型权重的内存占用上,很大程度上忽略了在应用截断因子时通过标准密集CUDA内核进行推理时产生的额外激活内存开销。 我们的实验表明,这种与序列长度和隐藏维度成比例的激活开销,使得当前的SVD压缩技术无法实现峰值推理内存的任何减少,从而限制了它们在实际设备部署中的可行性。 我们引入了FlashSVD,这是一种新颖的端到端秩感知流式推理框架,专门针对SVD压缩的大规模语言模型设计。 FlashSVD可以无缝集成到任何使用基于SVD的方法进行参数减少的模型中。 通过将低秩投影内核直接融合到自注意力和前馈网络(FFN)管道中,FlashSVD避免生成全尺寸的激活缓冲区。 相反,截断因子的小块被加载到片上SRAM中,实时相乘和约简,并立即驱逐,保持高GPU利用率并增加额外延迟。 在标准编码器基准测试(例如,BERT-Base)中,FlashSVD最多可将峰值激活内存减少70.2%,中间瞬态内存减少75%,同时在上游压缩方法中不会造成精度损失,为低秩LLMs的内存受限部署提供了一条实用路径。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.