本研究提出了一种细粒度量化技术，有效解决了大语言模型在多硬件加速器推理中的通信延迟问题，实现了3.5到4.5倍的压缩率，首次令牌响应时间缩短最多2倍，且对模型性能影响微小。

Communication Compression for Tensor Parallel Inference of Large Language Models
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证