作者簡介

Terry，攜程自然語言處理和大語言模型算法方向專家，有多年的自然語言處理項目經驗和AI落地經驗。

一、背景

隨著OpenAI的ChatGPT火遍全球，大語言模型（Large Language Model，下文簡稱LLM）成為了人工智能領域的熱門話題。大語言模型是一種基于深度學習的自然語言處理技術，它能夠模擬人類的語言能力并生成連貫的文本。這種技術的出現引起了廣泛的關注和應用。大型語言模型在機器翻譯、文本生成、智能對話等領域發揮著重要作用。在這些領域中，它們能夠理解和生成自然語言，使得機器能夠更好地與人類進行交流和合作。

無論是在學術研究還是商業領域中，LLM都有潛力成為一個強大的工具，幫助我們更好地理解和利用自然語言。但由于ChatGPT是閉源且信息安全存疑，并不適合在企業內部的所有業務場景使用。此外，最近有大批優秀的開源大語言模型涌現，比如Llama-2。因此，很多企業構建屬于自己領域的LLM和配套系統，應用在自身的業務場景中。為了適應旅游場景的應用，我們也構建了一套訓練、推理LLM的系統，充分利用LLM的強大能力。

二、LLM訓練系統

2.1 訓練基礎架構

LLM訓練系統有預訓練（Pretrain）、繼續預訓練（Continue Pretrain）、微調（Finetune）幾個模式。

1）預訓練階段使用的數據是大規模的通用數據，通常訓練成本高達數百萬GPU-hour，成本很高。例如在Llama-2-70B的預訓練中，使用的172萬GPU-hour，在Falcon-180B的預訓練中，使用了超過700萬GPU-hour。

2）繼續預訓練階段基于預訓練過的基座模型（foundation model），使用特定領域的無標注數據訓練，通常需要數千GPU-hour。可以用于學習領域內知識，拓展語言、領域詞表。

3）微調階段基于基座模型，使用特定任務的數據訓練，可以使模型對齊某些輸出范式，完成特定的任務，通常需要10到1000 GPU-hour，成本較低。代表模型有Alpaca等。

訓練框架基于PyTorch + DeepSpeed、Transformers的技術路線，有Nvidia、Meta、Microsoft、HuggingFace等公司支持，并且有廣泛社區支持。PyTorch在更新至2.0后，加入compile模式，大幅提升訓練速度；DeepSpeed中的ZeRO與offload技術幫助模型在多機多卡的訓練中使用較小的顯存用量；這些技術簡化了百億到千億參數的模型的訓練，并且在訓練中保持穩定。

通過Flash Attention、Apex、算子融合等提高硬件利用率的技術，目前我們可以以超過50%浮點利用率（MFU）的效率訓練百億參數的模型。

2.2 訓練參數量

根據可訓練的參數量可以分為全參數訓練、LoRA、QLoRA等技術。

全參數訓練推薦在大量數據及預算充分的情況下使用，訓練時模型的全部參數參與訓練，可以精準的對齊目標范式；LoRA、QLoRA作為參數高效的訓練方式，推薦在資源受限或需要快速獲取結果的情況下使用。

2.3 拓展詞表

Llama原生詞表中1個中文字通常對應2個token，導致中文內容的token數量較長，不利于模型訓練與推理的效率；并且Llama的預訓練語料中中文占比較少，沒有針對中文語料優化。

拓展詞表可以幫助解決這兩個問題。我們在Llama詞表的基礎上拓展了超過1萬的中文詞表，并使用大量中文語料繼續預訓練，模型在中文數據上的困惑度（Perplexity）顯著降低。在訓練與推理時，相同字數的中文數據的token減少一半，成本降低。

2.4 Flash Attention

在GPU SRAM與HBM（High Bandwidth Memory）的IO速度相差十多倍，使用更少的內存訪問量可以顯著提高計算速度。Flash Attention 的目標是避免從HBM中讀寫注意力矩陣。Flash Attention解決了兩個問題達到這個目標：

1）在不訪問整個輸入的情況下計算 softmax reduction。Flash Attention重組注意力計算，將輸入分成塊，并在輸入塊上進行多次傳遞，從而逐步執行 softmax reduction。

2）在后向傳播中不能存儲中間注意力矩陣。存儲前向傳遞的 softmax 歸一化因子，在后向傳播中快速重新計算片上注意力，這比從 HBM 中讀取中間注意力矩陣的標準方法更快。

三、LLM推理系統

LLM的推理系統的關鍵的是延遲與成本。延遲關系到用戶的感受，最低標準是不能低于人類的打字速度，每秒1-3字，在給用戶整段文章或者代碼提示時需要更快的速度，理想情況時可以略高于人類看文字的速度，約每秒5-10字。然而高速通常意味著更高的硬件要求，更高的成本。

我們的推理部署系統有低延遲、高吞吐、高并發、高可用的特性。（以13B模型、1xA100部署為例）

1）低延遲：最快生成速度20ms/token；

2）批量生成吞吐量達到1600+ token/s；

3）可有效應對并發數超過100；

4）高可用部署，僅需10分鐘即可部署兩地、多區域部署。

3.1 KV-Cache

LLM在推理時是一個自回歸的過程，使用前n個token作為輸入預測第n+1個token。其中attention部分使用的K和V部分的前n token的向量在每次預測中時是不變的，可以將KV的值緩存下來，在預測下一個token的時候避免重復計算。

3.2 PagedAttention

在應用KV-cache進行LLM的自回歸解碼過程中，LLM 的所有輸入token都會生成其注意K和V張量，并且這些張量保存在x顯存中以生成下一個token。其中有兩個特點導致內存大量浪費，大約浪費了60%-80%的顯存：

1）緩存占用大：在Llama-13B中單個序列最多占用1.7GB；

2）動態：緩存大小取決于序列長度，序列長度變化很大并且不可預測。

PagedAttention 允許在不連續的內存空間中存儲連續的KV張量。PagedAttention 將每個序列的 KV 緩存劃分為塊，每個塊包含固定數量toke的KV。在注意力計算過程中，PagedAttention 內核有效地識別并獲取這些塊。除此之外使用的內存共享，Copy-on-write等機制大幅降低內存使用量，并提升吞吐量。比HuggingFace默認方法提高最多24倍。

3.3 Continuous Batching

批量預測可以減少模型的加載次數，提高內存帶寬利用率，提高計算資源的利用率，最終增加吞吐量、降低推理成本。

傳統的批量預測是靜態批處理，批處理的大小在推理完成前保持不變。然而在LLM的推理中每個請求逐個生成token，直到生成到最大長度或者停止token（EOS），在同一批次中每個請求的生成長度幾乎不可能相同。如果采用傳統的靜態批處理，需要不停生成直到最長的序列完成，GPU并不能完全充分利用。在極端情況，同一批次同時生成最大長度為100token與8000token的序列時，需要等待8000 token的序列完成，才能進行下一批次的預測，這樣GPU利用率會低于分別推理每一條請求，即批處理大小為1的情況。

為了充分利用GPU，增大吞吐量，可以使用連續批處理（Continuous Batching）。在模型輸出停止token后放入新的待生成序列，批次中的每一個空白token都可以被充分利用。

3.4 實際推理速度

以部署在A100的13B模型為例，從第1個token生成至128token，在并發為1時可以實現2.6qps，在并發100時可以實現13qps，并且延遲得到有效控制，用戶感知的生成token速度在16-48 token/s，超過人類聊天時的打字速度，在客服聊天場景下體驗良好。在需要高吞吐量的場景下，最高可以超過1700 token/s。按照A100 20元/小時的成本估算，約0.003元/1000token，比使用GPT-3.5的使用成本低5-10倍。

如下圖所示，并發限制在100時可以達到用戶感知與吞吐量的最佳平衡，用戶無需忍受超長時間的等待，服務器可以以較低的成本提供服務。

四、旅游場景的應用

4.1 智能客服機器人

智能客服機器人在攜程的服務環節起到非常重要的作用，60%以上的客人通過智能客服機器人等自助功能解決咨詢問題，例如下圖中的場景。

傳統的智能客服機器人，一般借助分類或者匹配模型，準確識別用戶的意圖，進而回答客人問題或者幫助客人解決問題。但傳統的分類或匹配模型經常面臨召回率不高，缺少訓練語料等問題，特別是針對較為長尾的用戶意圖。一般情況下，有了充足的高質量訓練語料，模型才能有好的效果，而為了收集高質量語料，往往需要投入較多的人力。

大語言模型系統，解決了上述的問題。首先，LLM可以取代傳統小模型，完成識別用戶意圖的任務，并且在準確率和召回率上都有提升。此外，在我們LLM推理系統的加持下，LLM的推理速度可以達到傳統小模型的水平。線上數據表明，在識別意圖方面，LLM相比于傳統模型，準確率提升5%以上，召回率提升20%以上，而響應速度保持不變。

其次，由于LLM使用成本較高，對于繼續使用小模型的場景，借助LLM的生成能力，可以輕松構造出大量的高質量語料，并且這些樣本類型多樣，與客人的真實問題相近。通過這種方式可以提高模型的泛化性能，還能節省人力投入。目前已經落地的場景中，準備語料的人力投入平均從20人日減少到5人日以下。

4.2 信息抽取

在旅游的服務場景中，往往從客人或供應商獲取的是大段的非結構化文本信息，此時需要依賴人工進行信息抽取并填表，需要花費很高的人工成本。

而采用傳統算法進行抽取，實際使用中的準確率和召回率都不是很高。此外，當提取復雜關系的實體時，需要花費大量時間設計模型與規則，依然有很高的開發成本。

大語言模型系統，解決了上述的問題。使用LLM只需要簡單地構造prompt，就能輕松識別復雜關系的實體，開發成本大大降低。

以下圖的火車票信息抽取場景為例，非結構化文本內包含多人、多時間、不同出發地、到達地、車廂、座位等實體，并且輸出也需要歸納為多行。經過微調后的LLM，可以準確地將目標信息結構化輸出為表格。針對火車票信息抽取場景，相比于采用傳統算法，LLM的抽取準確率可以從80%提升到95%以上，而開發人日從5人日左右減少到1人日以下。

4.3 會話總結

在客服場景中，不同時間或不同場景，往往會由不同的客服人員服務客人。當客人的對話結束時，需要對客人的對話記錄進行歸納、總結，便于后續其他客服人員服務客人時，能快速了解之前的背景信息，否則需要花費時間去查看歷史對話記錄。

如果依賴人工總結，會花費大量的人工成本。而采用傳統的算法小模型，很容易造成信息丟失，準確率不高等問題。

大語言模型系統，解決了上述的問題。借助LLM強大的生成能力，我們可以通過調整prompt，讓模型對會話內容進行歸納，并按我們需要的方式輸出，例如將客人問題發生的時間、地點、任務等信息，串聯成一段通順且便于理解的話，也可以將客人的問題總結成標簽。

線上數據表明，采用LLM，準確率相比小模型提升5%以上，節省客服人員平均每段對話的查看時間2分鐘以上。

五、未來與展望

除了大語言模型以外，其他的大模型也在高速發展中，多模態大模型未來會成為主流。可以預見到，大模型在旅游領域的未來是非常廣闊的，隨著科技的不斷發展，大模型將在旅游行業中發揮重要作用。例如：

• 幫助旅游企業進行市場分析和預測：通過對大量的數據進行分析，大模型可以幫助企業了解旅游市場的趨勢和消費者的需求，從而更好地制定營銷策略和推出符合市場需求的產品。
• 提供個性化的旅游推薦和定制服務：通過分析用戶的歷史數據和偏好，大模型可以為用戶提供個性化的旅游推薦，包括旅游線路、酒店、景點等推薦場景。同時，大模型還可以根據用戶的需求進行旅游行程的定制，提供更好的旅行體驗。

隨著使用量的提高，對模型的反饋也可以幫助模型進行大規模的人類反饋的強化學習（RLHF），進一步提升大模型的性能，實現更優秀的表現。