Llama提速500%！谷歌美女程序员手搓矩阵乘法内核

编辑：alan

【本站导读】近日，天才程序员JustineTunney发推表示自己更新了Llamafile的代码，通过手搓84个新的矩阵乘法内核，将Llama的推理速度提高了500%！

谷歌的美女程序员，将Llama的推理速度提高了500%！

近日，天才程序员JustineTunney发推表示自己更新了Llamafile的代码，

她重写了84个新的矩阵乘法内核，使得Llamafile可以更快地读取提示和图像。

与llama.cpp相比，新的Llamafile在CPU上的推理速度提升了30%到500%。

其中，ARMv8.2+（如RPI5）、Intel（如Alderlake）和AVX512（如Zen4）计算机的改进最为显著。

另外，对于适合L2缓存的矩阵，新的内核比MKL快2倍！

JustineTunney表示：负责MKL的大家，你们有事做了！

毕竟，由微软，英特尔，TI，AMD，HPE，Oracle，Huawei，Facebook，ARM和NationalScienceFoundation资助的BLIS，作为最强大的开源BLAS，输了就太没面子了！

AnytimesomebodyoutsideIntelbeatsMKLbyanontrivialamount,IreportittotheMKLteam.Itisfantasticforanyopen-sourceprojecttogetwithin10%ofMKL…[T]hisiswhyIntelfundsBLISdevelopment.

每当英特尔以外的人以不小的幅度击败MKL时，我都会向MKL团队报告。对于任何开源项目，超过MKL10%以内就已经非常厉害了……这就是英特尔为BLIS开发提供资金的原因。

跨平台的「羊驼」

Llamafile作为一个本地LLM项目，诞生于去年11月，由JustineTunney与Mozilla团队合作开发。

他们使用CosmopolitanLibc，将llama.cpp打包为一个跨平台的单个二进制文件，让「羊驼」可以在基于AMD64和ARM64的六个操作系统上运行。

而且在GPU短缺的情况下，Llamafile可以不需要昂贵的CUDA内核，——家里的旧CPU，只要性能还行，再加一点RAM就足够了，很好地保护了大家的钱包。

项目地址：https://github.com/Mozilla-Ocho/llamafile/releases

Llamafile代码可以在GitHub上找到，使用C++编写的，没有外部依赖，可以在Linux、macOS、Windows、FreeBSD，甚至SerenityOS上编译。

而且，JustineTunney并没有就此止步。她已经在努力支持新的数据格式，比如FP16和BF16，以进一步减少内存占用，——她甚至在RaspberryPi上成功运行了TinyLlama！

性能提升

老惠普

JustineTunney最开始尝试LLM时，用的是下面这台简陋的HP主机，运行Alpine，机械硬盘、慢速RAM、AVX2处理器、没有GPU。

HPIntel®Core™i9-9900($439)w/2200MT/sRAM

出于对llama.cpp的喜爱，JustineTunney与人合作为其引入了mmap()支持，使得权重可以立即加载，只使用原来一半的RAM。

之后，Justine又花了很长的时间来优化代码，让我来看一下改进后的效果：

在Skylake上，llamafile实现了2倍的加速，llama.cpp也获得了50%的性能提升。

到目前为止，Justine为q8_0、f16、q4_1、q4_0和f32数据类型编写了优化的内核。

树莓派

最新版的树莓派不仅提升了主频，还引入了对ARMv8.2dotprod和fp16算术ISA的支持，仅这两个功能就让llama.cpp在f16权重上实现了10倍性能提升。

因为树莓派的两个CPU都有32个矢量寄存器，Justine使用为AVX512编写的内核，使推理速度又提高了2倍。

不过值得注意的是，新的ARMv8.2fp16ISA可能会引入比平时更多的错误，因为它会导致llamafile使用fp16。因此，Q8_0权重实际上的效果更好，因为它使用dotprodISA。

游戏主机

在AlderlakeCPU上，Justine将float16的性能提高了五倍。

与ARMv8.2不同，Alderlake能够在不引入舍入错误的情况下做到这一点，因为内核在内部使用float32计算类型。

另外让人吃惊的是，当涉及到小工作负载时，这个芯片甚至能够在CUDA开始之前就完成任务。

苹果

MacStudio，作为llama.cpp开发人员最关心的硬件平台，想要在这里提升性能比较困难。

另一个问题则是苹果自身的封闭环境：

M2Ultra将RAMDIMM放在了CPU内部，使得token生成等受延迟限制的操作速度更快，因为CPU不再需要打「长途电话」了。

我们可以看到，与便宜得多的英特尔计算机相比，M2Ultra仅通过ARMISA暴露了30%的计算能力。

如果开发者想访问更多内容，则需要通过苹果的专有框架，例如Metal和Accelerate。

AMD

虽然llamafile非常关心帮助缺乏GPU的人，但也为另外1%的人提供了一流的体验。

AMDRyzenThreadripperPRO7995WX，通过花费10,000美元左右，你会得到96个基于Zen4架构的AVX512内核。

尽管价格只有M2Ultra的两倍，但7995WXx86ISA提供的原始计算能力是M2UltraARMISA的7倍，token生成速度几乎相同，这可能要归功于384M的L3缓存。

通过Justine的优化，现在可以在Zen4上以2.8倍的速度运行LLaMA。

天才程序员

JustineTunney出生于1984年，14岁就开始帮别的黑客开发软件，当时的绰号是「Oogle」。

我们来浅浅地看一下她这些年的一些工作：

RedBean

一个web服务器，神奇的是可以跨平台在6种操作系统上运行！

这可不是Java那种叠了一层虚拟机的机制，Justine开发了一种叫做APE(AcctuallyPortableExecutbale)的文件格式，可以在任何x86-64的操作系统上执行。

「一次编译，处处运行」——Java：嗯？这不是我吗？

cosmopolitanlibc

为了能够跨平台调用外部程序，比如c标准库，Justine直接手搓了一个libc，在各种平台上实现了所有需要的核心操作：

看一下上面的工作量，实在是太炸裂了，而且一般人就算想肝，没有实力也是不可能的。

sectorLisp

仅有512个字节，最小的Lisp实现，可通过BIOS引导启动：

除了上面这几个，还有诸如Blinkenlights、RoseHub等天才项目，这里不再一一列举。

对于这番成就，有网友感叹道：

EverytimeIreadsomethingbyJustineTunney,Iamcontinuallyremindedofmymediocrity.

对于之前提到的mmap工作，网友评价：「有FabriceBellard之风」。

JustineTunneyisatruegenius.SimilartoFabriceBellard,atrulyuniquemind.

JustineorFabricearethetrue10xengineers,theiroutputisworldclassandtheyaremuchrarerthananyhiringarticleabouttheseguruswantustobelieve.WithJustine’swork,Ifeelwouldneedtobemorethana1xengineermyselfjusttofindthetimetoplaywithallofhercreations.

2012年，JustineTunney开始在谷歌工作，并负责了一些知名项目的关键部分。

比如大名鼎鼎的TensorFlow，Tunney为这个项目做出了许多贡献，包括用于存储数据的摘要系统。

Bazel是谷歌从Make演变而来的PB级构建系统，Tunney的主要贡献是下载器代码部分，用于自动化运营商级公共工件传输。

Nomulus是一项用于管理顶级域名的服务，是谷歌的第一个开源生产服务。Tunney负责为其编写注册表数据托管系统。