2026年7月2日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

H20对决4090:大规模模型部署中的性能巅峰之战

发布日期:2024-09-07 08:09:40 浏览次数: 8918
作者:Neolink AI

微信搜一搜,关注“Neolink AI”


前言

在当前的大模型部署与应用中,计算资源的选择与优化至关重要。本报告通过在H20算力设备上的部署与测试,详细探讨了H20与4090在大型语言模型推理中的性能表现。通过对吞吐量、响应时间、token生成时间等关键指标的评估,旨在为高效部署提供有力的数据支撑和优化建议。

Part 1

环境配置

1.1

软件环境

Ubuntu22.04,配备miniconda和pytorch,cuda版本12.4,vLLM框架

1.2

vLLM简介

vLLM是一个开源且易于使用的大模型(LLM)推理加速框架,我们用vLLM部署训练好的大模型。vLLM通过PagedAttention高效地管理attention中缓存的张量,实现了比HuggingFace Transformers高14-24倍的吞吐量。

vLLM具有以下特点

  1. 先进的服务吞吐量;

  2. PagedAttention对注意力Keys和Values存储的有效管理;

  3. 连续批处理传入请求,即continous batching,而不是static batching;

  4. 使用CUDA/HIP图快速执行模型;

  5. 支持张量并行推理和流式输出;

  6. 兼容 OpenAI 的接口服务;

  7. 与 HuggingFace 模型无缝集成。


Part 2

目的与方法

2.1

目的

测试大模型在H20上的表现,包括吞吐量,单个token花费的时间,以及token之间的延迟和响应速度等。

2.2

预期结果

与4090相比,H20的吞吐量更高,延迟更低,响应更快。

2.3

测试方法

用vllm的benchmark,测试8B,15B和34B的模型在4090和H20上的性能。

# 测试流程 #

  1. 申请H20 8卡算力 24小时的实例;

  2. 下载llama3.1-8B-instruct、llama3-15B-stocktest、Yi-34B-Chat;

  3. 用vllm host不同的模型后,运行vllm benchmark脚本进行评测,记录结果;

  4. 在4090上重复步骤2、3,记录结果。


Part 3

过程

3.1

安装vllm

pip install vllm

3.2

更新cuda驱动版本

安装vllm后,nvidia-cublas-cu12版本为12.1.3.1。这一版本在4090上没有问题,但是在H20上会报错,升级后解决。

pip install nvidia-cublas-cu12==12.4.5.8

3.3

下载模型

从huggingface上下载模型,没有代理可以从mirror上下载,或者下载到本地再scp传上去:

  1. https://hf-mirror.com/meta-llama/Meta-Llama-3.1-8B-Instruct

  2. https://huggingface.co/athirdpath/Llama-3-15b-StockTest

  3. https://huggingface.co/01-ai/Yi-1.5-34B-Chat

  4. https://huggingface.co/01-ai/Yi-34B-Chat-8bits

3.4

运行vllm server

修改tp、pp、--enable-prefix-caching 等参数:

vllm serve /root/data/Meta-Llama-3.1-8B-Instruct --dtype auto \--host 0.0.0.0 --port 8007 --tensor-parallel-size 1 --pipeline-parallel-size 1 --disable-log-requests \

3.5

Testing

用sharegpt的数据集测试

python benchmarks/benchmark_serving.py \        --host 0.0.0.0 \        --port 8000 \        --backend vllm \        --model Meta-Llama-3.1-8B-Instruct \        --dataset-name sharegpt \        --dataset-path /home/cuiyuxin/scripts/vllm/ShareGPT_Vicuna_unfiltered/ShareGPT_V3_unfiltered_cleaned_split.json

3.6

记录结果

记录不同设置下的实验结果。


Part 4

结果

4090与H20对比

# 内存大小 #

  •  4090 24G。

  •  H20 :96G。

对于34B的模型,4张4090才可以跑起来,1张H20就足够。

# yi34b模型,4卡,tp=4 #

  •  吞吐量(throughputs) H20的吞吐量约为4090的一倍。

  •  响应时间(time to first token) :H20处理并发的能力更强。

  •  输出每个token的时间(time per output token) :H20输出单个token的时间比4090少7倍左右。

  •  Token间的延迟(inter-token latency) :H20输出多个token时,token之间的延迟比4090少7倍左右。

  •  整体评测时间(benchmark duration) 

4090:496.97 s;

H20: 233.22 s。

H20整体花费的时间约为4090的1/2。

不同参数设置下表现

# H20 8卡,修改tp和pp #

  • tp越小,整体花费的时间越长,吞吐量越低,响应速度越慢,输出单个token以及token之间的延迟越长。

<<   左右滑动或点击放大查看全图   >>

# H20 8卡,tp=8,pp=1 #

测试vllm的其他参数:

  •  use-v2-block-manager :响应速度快了一点,token间延迟低了一点(P99 ITL降低10ms左右),但吞吐量稍微降低(3个token左右)。

  •  enable-prefix-caching :吞吐量变高(25个token左右),响应速度降低,延迟变长。

  •  disable-custom-all-reduce :吞吐量变高,响应速度降低,延迟变长。

  •  enable-chunked-prefill :吞吐量没有明显变化,响应速度变高,延迟降低(P99 ITL降低一半)。

  •  max-num-batched-tokens :值为32768时吞吐量最高,对响应速度和延迟没有明显影响。

<<   左右滑动或点击放大查看全图   >>

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅