IT之家 9 月 9 日消息，英偉達今天宣布推出名為 TensorRT-LLM，是一個深度優化的開源庫，能夠在 Hopper 等 AI GPU 上加速所有大語音模型的推理性能。

英偉達目前已經和開源社區合作，利用 SmoothQuant、FlashAttention 和 fMHA 等尖端技術，實現 AI 內核來優化其 GPU，可以加速 GPT-3（175 B），Llama Falcom（180 B）和 Bloom 模型。

TensorRT-LLM 的亮點在于引入了名為 In-Flight batching 的調度方案，允許工作獨立于其他任務進入和退出 GPU。

該方案允許同一 GPU 在處理大型計算密集型請求時，動態處理多個較小的查詢，提高 GPU 的處理性能，可以讓 H100 的吞吐量加快 2 倍。

在性能測試中，英偉達以 A100 為基礎，對比了 H100 以及啟用 TensorRT-LLM 的 H100，在 GPT-J 6B 推理中，H100 推理性能比 A100 提升 4 倍，而啟用 TensorRT-LLM 的 H100 性能是 A100 的 8 倍。

在 Llama 2 中，H100 推理性能是 A100 的 2.6 倍；而啟用 TensorRT-LLM 的 H100 性能是 A100 的 4.6 倍。

IT之家在此附上報告原文，感興趣的用戶可以深入閱讀。