2303
继今年4月推出Llama 3之后，Meta昨日正式发布了功能更强大的AI大模型Llama 3.1。Llama 3.1涵盖多个不同规模及功能的全新模型，其中包括目前可获取的、最大的开放基础模型—— Llama 3.1 405B（4050亿参数）。
英特尔宣布其横跨数据中心、边缘以及客户端的AI产品组合已支持上述最新模型，并通过开放生态系统软件实现针对性优化，涵盖PyTorch及英特尔 PyTorch扩展包（Intel Extension for PyTorch）、DeepSpeed、Hugging Face Optimum库和vLLM等。此外，企业AI开放平台（OPEA）亦为这些模型提供支持，OPEA这一全新的开放平台项目是由LF AI & Data基金会发起，旨在聚合生态之力，推动创新，构建开放、多供应商的、强大且可组合的生成式AI解决方案。
Llama 3.1多语言大模型组合包含了80亿参数、700亿参数以及4050亿参数（文本输入/文本输出）预训练及指令调整的生成式AI模型。其每个模型均支持128k长文本和八种不同的语言。其中，4050亿参数的Llama 3.1模型在基本常识、可操作性、数学、工具使用和多语言翻译方面具有行业领先的能力。同时，该模型亦帮助开发者社区解锁诸如合成数据生成和模型蒸馏（Model Distillation）等全新功能。
为了推动“让AI无处不在”的愿景，英特尔在打造AI软件生态方面持续投入，并为行业内一系列全新AI模型提供针对英特尔AI硬件的软件优化。以下是英特尔部分AI产品组合运行Llama 3.1模型的初步性能结果，包括英特尔至强处理器、搭载英特尔酷睿 Ultra处理器和英特尔锐炫显卡的AI PC产品。
运行Llama 3.1时展现出卓越性能
作为通用计算的基石，英特尔至强处理器为全球用户提供强大算力，现已通过各大云服务商面市。英特尔至强处理器在其每个核心中均内置了英特尔高级矩阵扩展（AMX）AI引擎，可将AI性能提升至新水平。根据基准测试，在第五代英特尔至强平台上以1K token输入和128 token输出运行80亿参数的Llama 3.1模型，可以达到每秒176 token的吞吐量，同时保持下一个token延迟小于50毫秒。图1展示了运行支持128k长文本的80亿参数Llama 3.1模型时，下一个token延迟可低于100毫秒。
图1. 基于第五代英特尔至强可扩展处理器的Llama 3.1推理延迟
由英特尔酷睿Ultra处理器和英特尔锐炫显卡驱动的AI PC可为客户端和边缘提供卓越的设备端AI推理能力。凭借诸如英特尔酷睿平台上的NPU，以及锐炫显卡上英特尔Xe Matrix Extensions加速等专用的AI硬件，在AI PC上进行轻量级微调和应用定制比以往更加容易。对于本地研发，PyTorch及英特尔PyTorch扩展包等开放生态系统框架可帮助加速。而对于应用部署，用户则可使用英特尔OpenVINO工具包在AI PC上进行高效的模型部署和推理。AI工作负载可无缝部署于CPU、GPU以及NPU上，同时实现性能优化。
图2. 在配备内置英特尔锐炫显卡的英特尔酷睿Ultra 7 165H AI PC上，Llama 3.1推理的下一个token延迟
图3. 在使用英特尔锐炫A770 16GB限量版显卡的AI PC上，Llama 3.1推理的下一个token延迟
利用Llama 3.1和OPEA部署企业RAG解决方案
英特尔AI平台和解决方案能够有助于企业部署AI RAG。作为OPEA的发起成员之一，英特尔正帮助引领行业为企业AI打造开放的生态系统，同时，OPEA亦助力Llama 3.1模型实现性能优化。
基于可组合且可配置的多方合作组件，OPEA为企业提供开源、标准化、模块化以及异构的RAG流水线（pipeline）。此次测试中，微服务部署于OPEA蓝图的每一支细分领域中，包括防护（Guardrail）、嵌入（Embedding）、大模型、数据提取及检索。端到端RAG流水线通过Llama 3.1进行大模型的推理及防护，使用BAAI/bge-base-en-v1.5模型进行嵌入，基于Redis向量数据库，并通过Kubernetes（K8s）系统进行编排。
图4：基于Llama 3.1的端到端RAG流水线，由英特尔Gaudi 2加速器和至强处理器提供支持
目前，英特尔AI PC及数据中心AI产品组合和解决方案已面向全新Llama 3.1模型实现优化，OPEA亦在基于英特尔至强等产品上全面启用。未来，英特尔将持续投入软件优化，支持更多全新的模型与用例。
下载ECAD模型
