Deep dive on LLM Inference at Scale — Harshul Jain, Audible & Tanmay Sah, Independent AI Researcher
Videon går igenom hur man kör stora språkmodeller effektivt på GPU:er — ett praktiskt problem många team stöter på.
Exempel: en vanlig modell kan behöva 42 GB minne bara för att lagra mellanresultat när 80 användare frågar samtidigt, vilket är varför servrar kraschar. Workshopen visar var flaskhalsen sitter (minne som växer med längre frågor, långsam första svar, låg genomströmning) och demonstrerar lösningar på två fronter: man kan göra själva modellen smalare genom tekniker som «flash attention», och man kan dela upp jobben smartare på servern genom «paged attention» och batch-bearbetning. Sist jämförs två populära servermotorer (vLLM och SGLang) och visar att de är likvärdiga för normalt bruk men vLLM är tre till fyra gånger snabbare när modellen tar egna beslut och grenar av sig.
Sammanfattningen har tagits fram med AI av Vibekollen utifrån källans publicering. Innehållet tillhör AI Engineer.
Mer att läsa
Lumaril, which develops AI software for optimizing industrial production by connecting to existing control systems, raised a $66M Series A at a $400M valuation
Techmeme för 2 tim sedan
DeepSeek open sources Super-Agent as a research prototype, a proactive coding agent it says can monitor group chats for coding issues and suggest solutions
Techmeme för 2 tim sedan
Insurance software maker Guidewire agrees to acquire Hyperexponential, which makes AI-powered insurance underwriting and pricing software, for $1.7B in cash
Techmeme för 2 tim sedan
One word for AI agents in 2027
Nate Herk för 6 tim sedan