Prism: Unleashing GPU Sharing for Cost-Efficient Multi-LLM Serving

Prism: раскрытие потенциала совместного использования GPU для экономичного обслуживания множества LLM В данной работе представлена система Prism, разработанная для повышения экономической эффективности обслуживания множества больших языковых моделей (LLM) за счет оптимизации совместного использования GPU. Существующие системы совместного использования GPU испытывают трудности с динамическими рабочими нагрузками из-за отсутствия координации памяти между моделями. Prism решает эту проблему, поддерживая выделение памяти по требованию посредством динамического сопоставления физических и виртуальных страниц памяти. Это обеспечивает гибкое перераспределение памяти между моделями, совместно использующими GPU. Двухуровневая политика планирования дополнительно повышает эффективность памяти за счет динамической корректировки стратегий совместного использования на основе требований моделей в режиме реального времени. Цель Prism - гибкое объединение пространственного и временного разделения ресурсов графического процессора. Оценки показывают, что Prism обеспечивает значительную экономию средств и улучшенное достижение SLO по сравнению с существующими системами за счет обеспечения гибкой и учитывающей потребности координации памяти между моделями. Система предназначена для решения задач популярности моделей с длинным хвостом, частых периодов простоя, быстрых колебаний рабочей нагрузки и различных целей уровня обслуживания. #РаспределениеРесурсов отправить донаты: USDT...