一、背景

前段時間的文章里我們剛剛介紹過兩個對 LLM 分布式推理場景中 AllReduce 的優(yōu)化工作，一個是 NVIDIA TensorRT-LLM 中的 MultiShot 無損優(yōu)化，另一個是 Recogni 提出的基于量化壓縮實現(xiàn)的 AllReduce 加速方案。本文中我們繼續(xù)介紹美團新發(fā)表的 AllReduce 量化壓縮優(yōu)化方案。

對應的論文為：[2412.04964] Flash Communication: Reducing Tensor Parallelization Bottleneck for Fast Large Language Model Inference [1]

二、摘要

隨著 LLM 規(guī)模的不斷增長，快速推理所需的分布式解決方案往往要利用多維并行性，將計算負載分散至 GPU 集群的多個設備上。然而，此方法往往會引入顯著的通信開銷，尤其在帶寬受限的設備上（比如沒有 NVLink 或者跨機的情況）。

本文中作者提出 Flash Communication，一種新穎的低比特壓縮技術，旨在緩解推理過程中 Tensor Parallelism（TP）的通信瓶頸。作者在多種最新的 LLM 上進行的廣泛實驗，驗證了該方法的有效性。該方法可以將節(jié)點內(nèi)通信速度提升 3 倍，并將首 Token 時間縮短 2 倍，同時幾乎不犧牲模型精度。

PS：上述的結論其實有點夸大，INT4 可以實現(xiàn)上述速度，但精度損失還是有點大的；而 INT8 可以保持精度，但加速比又沒這么多。

三、引言

3.1 硬件拓撲

作者論文中評估主要采用了兩種機型，一種是 8 x L40 GPU 節(jié)點，如下圖 Figure 12 所示。每個節(jié)點上有 8 個 L40 GPU，每 2 個 GPU 在一個 PCIe Switch 下，沒有 NVLink + NVSwitch，并且每個節(jié)點只有 1 個 100 Gbps 的 NIC。因此：

• 如果節(jié)點內(nèi)的 TP 通信都需要走 PCIe 鏈路，如果是不同 CPU Socket 下的 GPU 通信，還需要通過 CPU 之間的 UPI，因此通信效率可能比較低。
• 如果節(jié)點間通信，則必須通過節(jié)點的 NIC，最糟糕的情況是左側紅框和右側紅框的 GPU 組成 TP 組進行通信。
• PS：本文中作者并沒有涉及節(jié)點間通信，甚至 L40 上的 TP=8 的 8 GPU 通信都沒有。?

而 A100 節(jié)點類似下圖所示，節(jié)點內(nèi)有 8 個 A100 GPU，這些 GPU 通過 NVLink + NVSwitch 實現(xiàn)全互聯(lián)，任何兩個 GPU 之間的通信帶寬都可以達到 600 GB/s。不過作者介紹節(jié)點間通信帶寬是 200 Gbps，那么可能節(jié)點上就沒有紅框中的 NIC，只有藍框中的 200 Gbps NIC。（PS：論文中也不涉及節(jié)點間通信）

此外，A100 GPU 有 108 個 SM，而 L40 GPU 有 108 個 SM。

3.2 ReduceScatter + AllGather

我們在之前的文章中詳細介紹過 AllReduce，這里再簡單陳述一下。對于常見的基于 Ring 的 AllReduce 實現(xiàn)中，通常將一個 AllReduce 操作拆分為一個 ReduceScatter 和一個 AllGather 操作，如下圖所示：

具體的 ReduceScatter 操作如下，每個設備（GPU）發(fā)送一部分數(shù)據(jù)給下一個設備，同時接收上一個設備的數(shù)據(jù)并累加。這個過程執(zhí)行 K-1 步，ReduceScatter 后每個設備都包含一部分數(shù)據(jù)的 Sum：

具體的 AllGather 操作如下，每個設備（GPU）將其持有的部分結果發(fā)送給下一個設備，同時接收上一個設備的部分結果，逐步匯集完整的結果，同樣需要 K-1 步。AllGather 后，每個設備都包含全量的數(shù)據(jù)：

NVIDIA 在 3x Faster AllReduce with NVSwitch and TensorRT-LLM MultiShot | NVIDIA Technical Blog [2] 中并沒有介紹 ReduceScatter 的優(yōu)化，不過在我們推測其可能采用了下述的優(yōu)化方式：具體來說，Ring ReduceScatter 可以等效為一個 All2All 操作實現(xiàn)數(shù)據(jù)的重排，然后在 Local 進行 Reduce 操作（或者 NVSwitch 上進行 Reduce 操作）。此過程只有一個 All2All 的整體通信操作，雖然實際上與 Ring 實現(xiàn)的方式的通信量和計算量沒有變化，但可以避免 K-1 個 Ring Step 的同步，進而可以有效降低時延。

3.3 TP 推理

如下圖 Figure 3 所示，對于 LLaMA 模型推理，其一個 Transformer Layer 需要 2 次 AllReduce 通信，不過需要 Attention 以及 FFN 都采用先列切再行切的方式。以 80 層的 LLaMA 3 70B 模型為例，一次 Forward 需要 180 次 AllReduce 通信。

3.4 延遲分析

如下圖 Figure 2 所示，作者在 4*L40 GPU 上測量了 LLaMA-3-70B 模型在不同序列長度下各個部分的開銷（Batch Size 為 8），可以看出，序列越長，AllReduce 的通信占比越大，在 4K 序列長度時 AllReduce 通信開銷為 18% 左右，在序列長度達到 32K 時，通信開銷占到 40% 左右。

在 A100 GPU 上雖然有 NVLink+NVSwitch 互聯(lián)，最大的通信開銷依然可以達到 20%（PS：不過作者這里沒有提供詳細的數(shù)據(jù)）。

四、方案

4.1 量化挑戰(zhàn)

為了在準確性與時延之間達成最佳平衡，作者選擇采用低比特量化技術。如下圖 Figure 4 所示，可觀察到，在大 Block 下進行逐 Token 量化會導致 C4 困惑度的性能急劇下降，非對稱量化（Asym）相對較好，不過依然下降明顯，因此細粒度量化是必要的。

然而，作者發(fā)現(xiàn)在此情境下應用低比特激活量化并非易事。因此，作者計算了 LLaMA-3-8B 模型在激活量化前后的層級均方誤差（MSE）來研究量化的敏感性。如下圖 Figure 5 左圖所示，下投影 dproj 的量化難度遠高于輸出投 影oproj。

此外，All-Reduce 中 Reduce-Scatter 和 All-Gather 操作對應的量化難度也各不相同，如下圖 Figure 5 右圖所示。這一現(xiàn)象符合預期，因為 Reduce-Scatter 前的量化僅引入舍入誤差，而在 All-Gather 中，則同時包含舍入誤差和累積誤差。作為替代方案，可以在 All-Gather 操作前采用更高精度的量化以提升準確性。

4.2 通信算法

鑒于上述問題，作者設計了一種兩步量化策略以替代傳統(tǒng)的 Ring AllReduce 方法，稱為 Flash AllReduce，如下圖 Figure 6 所示。該策略與 TP 的結合如上圖 Figure 3 所示。

如下圖 Figure 6 展示了本文 Flash Communication 的通信原理：

• 首先，將每個 GPU 上的激活值按 Rank 的數(shù)量進行劃分。
• 在激活值上進行細粒度量化后，執(zhí)行All2All 通信（與我們猜測的 TRT-LLM 的 MultiShot 實現(xiàn)類似），使得每個設備接收其規(guī)約所需的計算負載。當然，接收后也需要反量化操作。
• 在設備內(nèi)完成 Reduce，不涉及通信操作。
• 對得到的結果再次進行量化以加速傳輸。然后進行AllGather以匯總所有結果，并在每個設備上進行反量化以恢復浮點數(shù)值。?

具體的算法過程也可以參考如下圖 Algorithm 1：

4.3 Kernel 設計

為了提升效率，作者開發(fā)了一個融合的 Flash AllReduce Kernel，以囊括上述所有集合通信操作及量化操作。如下圖 Table 1 所示，相比 Ring AllReduce 操作，F(xiàn)lash AllReduce 將量化-反量化步驟從 N 次減少到 2 次，Reduce-Gather 步驟從 N-1 次縮減到 1 次。盡管總體數(shù)據(jù)個數(shù)保持不變，但每一份數(shù)據(jù)均被量化到較低位數(shù)，從而大幅減少了傳輸?shù)臄?shù)據(jù)大小。 

快速細粒度量化：每個節(jié)點的總通信量（個數(shù)） M 被劃分為 T 個 Chunk 進行傳輸。給定 Chunk 大小 C，如下圖 Figure 7 展示了 GPU 線程如何并行組織以處理 Chunk 信息。一個 Chunk 被分割成 N 個 Block，每個 Block 對應 32 個 Warp，其中每個 Warp 由 32 個 Thread 組成，每個 Thread 可處理 8 個 FP16 元素。以采用 128 組大小的非對稱量化為例，使用 16 個線程對每組 128 個元素進行量化。具體而言，利用 CUDA API 函數(shù) __shfl_xor_sync 通過迭代交換這些 Warp Thread 間的信息，高效實現(xiàn) Max/Min 歸約。

快速通信。不再使用 All2All 原語，而是利用 CUDA Runtime API 中的 GPU Peer Direct Memory 訪問來傳輸量化后的數(shù)據(jù)量，在此過程中，能夠直接從不同 Rank 獲取數(shù)據(jù)，顯著提升通信速度。

快速反量化。一旦接收到量化后的數(shù)據(jù)，需要將其反量化為 FP16 以進行 Reduce Sum。由于單純的 INT4 到 FP16 轉換會產(chǎn)生開銷，作者采用了 [2211.10017] Who Says Elephants Can't Run: Bringing Large Scale MoE Models into Cloud Scale Production [3] 中的反量化布局。為了在線協(xié)調(diào)其順序，作者還采用了來自 LMDeploy 的快速 INT4 打包，如下圖 Figure 8 所示：

• 給定兩個 32 位無符號整數(shù) U0 和 U1，它們分別持有 4 個 INT4 量化的激活值（每個存儲在 8 位中的低 4 位）用于傳輸。
• 首先執(zhí)行右移 12 位操作，然后對其自身進行按位或運算。
• 隨后，使用 CUDA Math API __byte_perm 從這兩個整數(shù)中選擇目標位。通過這種方式，可以方便的按順序打包 8 個 4 位整數(shù)進行反量化。
• 接下來，應用 lop3.b32 對打包變量執(zhí)行邏輯操作（0xF0 & 0xCC）| 0xAA，應用掩碼 0x000F000F 和 0x64006400，然后減去 0x64006400，這有效地表示了 FP16 中的 W1 和 W0。
• 通過改變剩余 INT4 整數(shù)的掩碼，可以迭代進行反量化。?

INT6 量化：鑒于在 All-Gather 之前進行低比特量化會導致更大的損失，這里作者選擇采用 INT8 位寬，同時保持 ReduceSum 的 INT4 位寬，從而有效構建了一個 INT6 解決方案。INT6 配置在性能與通信效率之間達到了很好的平衡。

五、實驗 & 結果

5.1 實驗配置

實驗在前述的 L40 和 A100 GPU 進行，對應的輸入 Token 為 1024，輸出為 64，基線為 FP16 通信。

5.2 精度對比

5.2.1 FP16 Weight 實驗

如下圖所示，作者針對 LLaMA-2 和 LLaMA-3 系列模型使用 FP16 Weight 進行了評估，可以看出，大部分情況下 Asym INT8 的損失都很小，基本無損（紅框）；Asym INT6（INT8 + IINT4）在 LLaMA-2 損失較小，在 LLaMA-3 損失稍微有點大；而 LLaMA-3 的 INT4 方案損失比較大，這也與 [2411.04330] Scaling Laws for Precision [4] 的結論相符，LLaMA-3 用了更多訓練數(shù)據(jù)，相應也更難量化）：

PS：需要說明的是，上述中我們沒有使用論文表格是因為論文中出現(xiàn)了一些錯誤（v2 已修正），上述表格中：

• AVG 列：作者論文中計算的均值，如下圖 Table 2 所示，此結果計算有誤。
• New_AVG 列：我們自己根據(jù)表格中相關數(shù)據(jù)計算的均值。
• INT8_Weight_AVG：來自下述 Table 3 中對應 INT8 Weight 推理的均值?？梢钥闯?INT8 Weight 的均值也和我們計算的 FP16 Weight 的結果均值接近，符合預期。?

5.2.2 INT8 Weight 實驗

如下圖 Table 3 所示，作者同樣針對 LLaMA-2 和 LLaMA-3 系列模型使用 INT8 Weight 進行了評估，和上述 FP16 Weight 結論基本類似：

5.3 Flash AllReduce vs Ring AllReduce

在集成了一系列優(yōu)化技術后，F(xiàn)lash AllReduce 的速度顯著由于 Ring AllReduce。如下圖 Figure 10 所示，作者展示了通信量在 64MB - 1GB 時的通信時延?？梢钥闯觯?INT4 版本最高可以實現(xiàn) 3.18x 的 Kernel 加速，而 INT6 在速度和精度之間取得了不錯的平衡（PS：需要注意的是，實際推理過程中通信量可能沒有這么大）。

如下圖 Figure 11 所示，作者也展示了不同 SM 數(shù)量對通信效率的影響。在通信量較小時，較少的 SM 數(shù)量更為有利，因為這可以減少 Kernel 啟動和 Block 間同步的開銷。然而，隨著通信量增大，計算需求增加，也很有必要使用更多 SM。配置 48 個 SM 可以在通信與計算之間達到了更佳的平衡。

5.4 時延和吞吐

如下圖 Figure 9 所示，作者也基于 LLaMA-3-8B 和 LLaMA-3-70B 模型在 L40 和 A100 上測量了 TTFT 的時延，可以看出，在 L40 上 TP=4 最多可以獲得 2.06x 的加速（對應的 INT4，INT8 只有 1.42x）；而在 A100 上 TP=8 最多可以獲得 1.19x 加速（對應的 INT4，INT8 只有 1.1x）

如下圖 Figure 13 所示，在 L40 上 TP=2 的加速會更小一些：

PS：此外，LLM Inference 在 Prefill 階段的 AllReduce 通信量比較大，而在 Decoding 階段的 AllReduce 通信量比較小，作者并沒有進行相關對比實驗。

六、參考鏈接

1. ???https://arxiv.org/abs/2412.04964???
2. ???https://developer.nvidia.com/blog/3x-faster-allreduce-with-nvswitch-and-tensorrt-llm-multishot/???
3. ???https://arxiv.org/abs/2211.10017???
4. ???https://arxiv.org/abs/2411.04330???

本文轉載自 ??AI閑談??，作者： AI閑談