AI宝库

AI宝库首页 › AI 资讯 › 在Amazon EKS和SageMaker HyperPod EKS上使用NVI

在Amazon EKS和SageMaker HyperPod EKS上使用NVIDIA Nemotron模型的加速代理AI

来源:AWS ML Blog · 发布时间:10-30 · 由 AI宝库每小时自动聚合

NVIDIA 尼莫特龙 3.5 超级VL(Super VL)是一种120B参数的专家混合模型,将推理和工具使用与多模式理解对齐。 这个帖子在探索

人工智能

在Amazon EKS和SageMaker HyperPod EKS上使用NVIDIA Nemotron模型的加速代理AI

NVIDIA 尼莫特龙 3.5 超级VL 克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克 AWS上已有闪电模型。 它是一个120B参数的专家混合模型,每个符号激活12B参数。 它将推理和工具使用与文本,图像,文档,和视频理解结合起来,因此一个模型既服务于文本,也服务于视觉任务。 这个帖子探索了它的架构并使用了大小写,然后是显示如何在Amazon弹性Kubernetes服务(Amazon EKS),Amazon EKS自动模式和Amazon SageMaker HyperPod EKS上部署。

关于尼莫特龙3.5超级VL

NVIDIA 尼莫特龙 3.5 Super VL是一款由尼莫特龙3 Ultra蒸馏而成的开放式多式模型。 NVIDIA发布权重,培训数据集,以及培训后食谱,这样您就可以自定义特定域工作量的模型,并在您控制的基础设施上运行。 模型细节:

- 120B总参数,每个符号12B活性。

- 混合Mamba-2,MOE,和注意分层与RADIO视觉编码器。

- 上下文长度可达1M个令牌。

- 输入:文本、图像、文档和视频。

- 输出:文本。

- BF16和NVFP4检查站。

NVIDIA报告,赫尔梅斯法官座席为63.44%,LangChain agent评价为87.05%,CharXiv图理基准测试为80.8%. (技术报告)

示范结构

Nemotron 3.5 Super VL使用混合的Mamba-Transformer MoE架构,将Mamba-2,注意力相接,并有专家层。 Sparse路由激活了120B参数中每令牌的12B,因此每令牌计算与更小的模型相匹配,而GPU内存仍然能保持全重。 Mamba-2地层在生成过程中承载了恒定大小的状态,因此它们的内存不会像KV缓存那样以序列长度生长出,这让长长的上下文可以承受。 递归共享多托肯预测(MTP)头支持本土投机解码。

使用大小写

Nemotron 3.5 Super VL支持agent工作流程将推理和视觉理解结合起来:

- 编码:测试和验证代码,分析错误,推荐修正。

- 网络研究:相互参照,并核实通过搜索工具返回的来源。

- 文件情报:阅读表格、图表和页面布局,以编制摘要。

- 网络安全:查明脆弱性和分类威胁。

- 视频理解:搜索、内容、审查和事件分析。

尼莫特龙 3.5 Super VL通过NVIDIA参考执行,烹饪本和NVIDIA Agent工具包与主要开放的agent框架和管弦系统相融合。 支持框架的完整列表见NVIDIA开发者博客。

最小 GPU 配置

在AWS部署

本节概述架构、验证和绩效评价办法。 aws-do-eks项目载有部署Nemotron 3.5 Super VL和Nemotron 3 Ultra在AWS上的详细走道,包括先决条件、集群创建、模型重量下载、部署、测试、基准和清理。 同样的模式也可以被应用于NVIDIA尼莫特龙家族中的其他模型。

部署结构

参考执行运行于标准Amazon EKS,EKS自动模式和SageMaker HyperPod EKS. AWS在EKS自动模式下代表您管理集群中的缩放,GPU,和全民教育支持。 用于模型部署的Kubernetes表单对每个管弦乐器选项都是相同的。 每个集群都有一个主控Kubernetes API的控制平面和一个CPU和GPU节点的数据平面。 CPU节点运行系统和测试舱,而GPU节点运行模型。 Amazon弹性容器注册(Amazon ECR)存储了容器图像,一个用于Lustre卷的共享Amazon FSx持有模型重量,弹性纤维适配器(EFA)连接了GPU节点。 下图显示为标准Amazon EKS集群。

NVIDIA 时速 Dynamo服务于在一个单一节点上汇总的模型,或者在不同的节点上以预填和解码来分解。 对于视觉语言模型,图像/视频编码阶段还可以按照自己的节点进行分解。

审定和业绩

这种架构在p6-b200.48x大(8×NVIDIA B200 GPU)和p5en.48x大(8×NVIDIA H200 GPU)两个实例上都得到了验证。 您可以用 NVIDIA 集体通信库(NCCL)验证集群及其网络全减微-基准测试。

在NCCL测试运行期间,看到所有GPU的利用率和所有全民教育适配器的流量,就证明集群正在按预期运行。

您可以用 NVIDIA aiperf 工具测量一个在集群上部署的模型的性能。

在左上方的平板显示键性能指标(KPIs)中,aiperf输出像时间到第一令牌(TTFT),相接纬度(ITL),和每秒的令牌(TPS)的吞吐量。 通过在不同货币级别进行这些测量,我们可以研究长期性和吞吐量如何取决于同时提出的请求的数量。 这些信息对于周密规划能力和示范部署地形至关重要。 aws-do-eks容器提供可视化GPU和全民教育利用的自动化,以及使用单一命令进行Aiperf和通货扫描。

前面的货币扫描图揭示认为,Nemotron 3.5 Super VL的推论具有较低的TTFT,在两个节点的汇总部署和分解部署之间也大致相同。

这样的图表在作出部署决定时是有用的。 绘制您作为水平线的延迟预算,例如TTFT低于600毫秒(约一秒),而ITL低于100毫秒每令牌。 两行下最右的点是这一地貌的一复制品的吞吐量可以在服务级目标(SLO)范围内服务,这里为c32,或每秒约320个活物。 要规划容量,将目标符每秒除以这个每个replica的吞吐量,并找到要部署的预填解码对的数量。 在变化后(精度,TP/PP形状,汇总与分解,新迪纳摩或vLLM放出)重跑同一次扫荡,使取舍立即可见。 一个左右移动的曲线就是胜利。 由于TTFT和ILFT是分开绘制的,它也告诉你要标出哪一边:上升的ILFT 称会增加解码能力,上升的TTFT 称会增加预填能力。

结论

这篇文章涵盖了在Amazon EKS,EKS Auto Mode,以及SageMaker HyperPod EKS和NVIDIA Dynamo及vLLLM上服务NVIDIA Nemotron模型的架构和性能评价模式。 要开始,在自己的账户中部署Nemotron 3.5 Super VL,使用参考执行。 关于EKS项目的AI中也有更多的推论蓝图。 为了获得更多关于EKS推论的亲身经验,登记参加我们即将举行的讲习班。

鸣谢

作者们特别感谢参与编写、验证、审查和出版这些内容的所有人,包括但不限于:Eliuth Triana、刘家红、Kshitiz Gupta、Abhijeet Patil、Mike Stefaniak、Chris Splinter、Shidal Joshi、Aditya Ramakrishnan、Natarajan Kumar、Anish Maddipoti。

本文由 AI宝库自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(aws.amazon.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI宝库首页 · 提交工具 · 商务合作 · 关于本站 · 597 款 AI 工具分类导航 · 每日 AI 热门项目与动态