Achronix Speedster7t FPGA与GPU解决方案的比较

编辑-这篇针对大模型推理跟GPU对比分析，虽然以Llama2为例，也适用于最新的Llama3，模型的日新月易也更进一步说明硬件平台的可编程可扩展的重要性，FPGA是其中一个不错的选择。

将Achronix Speedster7t FPGA与GPU解决方案进行比较，以运行Llama2 70B参数模型并超越LLM推理处理需求。

提供 FPGA 加速的LLM 性能

在运行 Llama2 70B 参数模型时，Speedster7tFPGA 如何与 GPU 解决方案相媲美？证据是令人信服的——AchronixSpeedster7t FPGA通过提供计算能力、内存带宽和卓越能效的最佳组合，在处理大型语言模型（LLM）方面表现出色，这是当今LLM复杂需求的基本要求。

像 Llama2 这样的LLM 的快速发展正在为自然语言处理 （NLP） 开辟一条新路线，有望提供比以往任何时候都更像人类的交互和理解。这些复杂的LLM 是创新的催化剂，推动了对先进硬件解决方案的需求，以满足其密集处理需求。

我们的基准测试突出了 Speedster7t 系列处理 Llama2 70B 模型复杂性的能力，重点关注 FPGA 和 LLM 性能。这些测试（可根据要求提供结果）显示了AchronixFPGA对于希望将LLM的强大功能用于其NLP应用程序的开发人员和企业的潜力。这些基准测试展示了 Speedster7t FPGA 如何超越市场，提供无与伦比的性能，同时降低运营成本和环境影响。

Llama2 70B LLM 在 Speedster7t FPGA 上

2023 年 7 月，Microsoft和 Meta 推出了他们的开源 LLM，Llama2 开创了 AI 驱动语言处理的新先例。Llama2采用多种配置设计，以满足各种计算需求，包括 700 亿、130亿和 700 亿个参数，使其处于 LLM 创新的最前沿。Achronix和我们的合作伙伴 Myrtle.ai 对700亿参数的Llama2模型进行了深入的基准分析，展示了使用Speedster7tFPGA进行LLM加速的优势。

基准测试结果：Speedster7t FPGA 与业界领先的 GPU 对比

我们在 Speedster7t FPGA 上测试了 Llama2 70B 模型的推理性能，并将其与领先的 GPU 进行了比较。该基准测试是通过对输入、输出序列长度 （1,128） 和批处理大小=1 进行建模来完成的。结果表明，Speedster7t AC7t1500在LLM处理中的有效性。

FPGA 成本基于由 Speedster7t FPGA 提供支持的 VectorPath 加速卡的标价。同样，我们在此分析中使用了可比GPU卡的标价。使用这些成本信息和每秒产生的输出令牌数量，我们计算出基于 FPGA 的解决方案的$/token 提高了 200%。除了成本优势外，在比较FPGA 和 GPU 卡的相对功耗时，我们观察到与基于 GPU的解决方案相比，产生的 kWh/token 提高了 200%。这些优势表明 FPGA 如何成为一种经济且能效高效的 LLM 解决方案。

面向 LLM 的FPGA：Speedster7t 的优势

Achronix Speedster7t系列FPGA旨在优化LLM操作，平衡LLM硬件的关键要求，包括：

高性能计算 – 具有高性能计算能力的尖端硬件对于管理LLM 推理核心的复杂矩阵计算至关重要。

高带宽内存 – 高效的LLM 推理依赖于高带宽内存，通过模型的网络参数快速馈送数据，而不会出现瓶颈。

扩展和适应能力 – 现代LLM 推理需要能够随着模型规模的增长而扩展并灵活适应 LLM 架构的持续进步的硬件。

高能效处理 – 可持续的LLM 推理需要硬件能够最大限度地提高计算输出，同时最大限度地降低能耗，从而降低运营成本和环境影响。

Speedster7t FPGA 提供以下功能，以应对实施现代 LLM 处理解决方案的挑战。

计算性能 – 通过其灵活的机器学习处理器（MLP） 模块支持复杂的 LLM 任务。

高 GDDR6 DRAM 带宽– 确保以 4 Tbps 的内存带宽快速处理大型 LLM 数据集。

大量的 GDDR6 DRAM 容量– 可容纳 Llama2 等扩展的 LLM，每个 FPGA 的容量为 32 GB。

用于 LLM 的集成SRAM – 提供低延迟、高带宽的存储，具有 190 Mb 的SRAM，非常适合存储激活和模型权重。

多种本机数字格式 – 适应LLM 需求，支持块浮点 （BFP）、FP16、bfloat16 等。

高效的片上数据传输 – 2D NoC 超过20 Tbps，简化片上数据流量。

扩展横向扩展带宽 – 支持多达32个112 Gbps SerDes 满足 LLM 需求，增强连接性。

自适应逻辑级可编程性 – 使用690K 6 输入 LUT 为 LLM 的快速发展做好准备。

针对 LLM 推理优化的FPGA

在快速变化的人工智能和自然语言处理领域，使用 FPGA 而不是 GPU 来加速 LLM 是一个相当新的想法。该基准测试展示了设计人员如何从使用Achronix的FPGA技术中受益。Achronix Speedster7t系列FPGA是这一变化的关键技术，在高性能、高带宽存储器、易于扩展和电源效率之间实现了出色的平衡。基于详细的基准分析，将Speedster7t FPGA 与领先的 GPU 在处理Llama2 70B 模型方面的能力进行比较，结果表明 Speedster7t FPGA 能够提供高水平的性能，同时大大降低运营成本和环境影响，突出了它在未来 LLM 创建和使用中的重要作用。