闪存内计算实现LLM推理
原文标题：LLM Inference in a Flash!
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文针对LLM推理中内存带宽瓶颈，设计可在Flash存内计算设备上运行的推理算法。采用端到端整数量化消除浮点运算，并基于稀疏字典编码压缩KV缓存以应对写入寿命限制。在Llama-3.1-8B和Qwen-2.5-7B上，动态KV缓存流量降低15倍且精度损失有限。
深读 · 结论先行AI 生成展开看要点与影响 ↓
整数量化 + 稀疏字典压缩 KV 缓存，让 LLM 推理跑上 Flash 存内计算，动态 KV 流量降 15 倍。
- •针对 Flash 存内计算不支持高精度浮点的问题，采用端到端纯整数量化消除浮点运算。
- •针对写入寿命限制，用稀疏字典编码把每个 KV 向量表示为静态字典向量的线性组合。
- •在 Llama-3.1-8B 和 Qwen-2.5-7B 上动态 KV 缓存流量降低 15 倍，精度损失有限。
- •动机是长序列、RAG 与推理时计算扩展带来的带宽压力，而内存容量与带宽增速跟不上。
为什么重要：把 SSD 的大容量和近存计算引入推理路径，是绕开 HBM 带宽瓶颈的一条硬件级路线，对推理成本敏感的长上下文场景有参考价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 据悉计划采购谷歌 TPU 芯片，降低对英伟达依赖
AI 摘要据报道，OpenAI 正计划采购谷歌自研的张量处理单元（TPU），以扩大算力规模并实现芯片供应多元化，双方尚未敲定最终条款。OpenAI 同时在推进与博通合作、代号 Jalapeno 的自研 AI 芯片。若交易落地，将直接冲击英伟达在 AI 加速芯片市场的主导地位，并重塑云厂商与大模型公司的算力供应格局。
阿联酋因伊朗袭击调整 5GW AI 数据中心计划
AI 摘要据路透社报道，在遭受伊朗袭击后，阿联酋修订了其 5GW AI 数据中心建设计划。该事件凸显地缘政治冲突对中东地区大规模 AI 基础设施投资的直接冲击，可能影响全球算力布局与供应链。
英伟达预计单季营收达1080亿美元
AI 摘要英伟达预测未来几个月内营收将达到1080亿美元，有望成为继亚马逊、苹果和Alphabet之后又一家季度营收超千亿美元的公司。其数据中心营收同比增长一倍以上，利润也大幅增长。
Marvell 与 Lumentum 宣布合并，打造 AI 连接领域领导者
AI 摘要Marvell 与 Lumentum 宣布合并，双方称将组建 AI 连接（AI Connectivity）领域的品类领导者。交易旨在整合光通信与互连能力，服务数据中心 AI 基础设施需求。