可复现的语言大模型推理性能指标

660次阅读

LLMPerf是一个开源项目，旨在帮助用户对语言模型进行基准测试，并使其性能具有可复现性。它能够帮助用户评估不同LLM的性能，并根据具体任务做出明智的决策。该项目选择了多个指标来衡量LLM的性能，包括吞吐量、时延、内存使用和成本等。本文介绍了如何使用LLMPerf进行基准测试，并提供了一些实用的技巧和建议。此外，本文还对当前最流行的LLM进行了基准测试，并提供了详细的结果和分析。

需要说明的是，LLMPerf测试可能仍需进一步完善。本文中他们对比了Fireworks给出的性能，不过Fireworks也发布博客进行了澄清，我们也将在后续文章中加以介绍。

（本文由OneFlow编译发布，转载请联系授权。原文：https://www.anyscale.com/blog/reproducible-performance-metrics-for-llm-inference）

来源 | Anyscale

OneFlow编译

翻译｜宛子琳、杨婷

重点内容摘要：

我们见过许多关于LLM性能的声明，然而，这些声明通常难以复现。
我们发布了LLMPerf（https://github.com/ray-project/llmperf），这是一个用于对LLM进行基准测试，以复现这些声明的开源项目。本文将讨论我们选择的指标以及如何对其进行衡量。
有趣见解：100个输入词元与单个输出词元对时延的影响大致相当。若想提升速度，减少输出要比减少输入更有效。
我们还展示了这些基准测试在部分当前LLM产品上的结果，并确定了这些LLM产品各自的优势。其中重点关注的是Llama 2-70B。
对单个词元价格测算的结果总结：由于速率限制较低，Perplexity beta目前尚不适用于在生产环境中使用；Fireworks.ai和Anyscale Endpoints均可行，但在典型工作负载（550个输入词元，150个输出词元）的平均端到端时延上，Anyscale Endpoints便宜15％，快17％。Fireworks在高负载水平下的首词元时间（Time To First Token，TTFT）更短。
特别是在LLM中，由于性能特征变化迅速，每种用例都有不同的要求，因此“因人而异（Your mileage may vary）”的规则更为适用。

最近，许多人宣称他们的LLM推理表现出色。然而，这些声明通常是不可复现的，而且细节也存在缺失，例如，某篇帖子仅声明称其结果针对“不同输入大小”，并附上了一张人们看不懂的图表。

我们考虑过发布自己的基准测试结果，但意识到仅仅发布结果只会延续不可复现的问题。因此，除发布结果之外，我们还拿出了自己内部的基准测试工具，并将其开源。

在接下来的部分，我们将讨论衡量LLM的关键指标，以及各个供应商在相应指标上的表现。

1 LLM的定量性能指标

LLM的关键指标是什么？我们建议将重点放在以下指标：

通用指标

以下指标适用于共享公共端点以及专用实例。

每分钟完成的请求数

在几乎所有情况下，你都希望系统能够处理并发请求。这可能是因为你正在处理来自多个用户的输入，或者可能有一个批量推理工作负载。

在许多情况下，除非你与共享公共端点的供应商达成了某些额外协议，否则他们会将你的速率限制得非常低。我们发现，一些供应商将速率限制在90秒内不超过3个请求。

首词元时间（TTFT）

在流式应用中，TTFT指的是LLM返回第一个词元前所需的时间。我们不仅对平均TTFT感兴趣，还包括其分布：P50、P90、P95和P99。

词元间时延（ITL）

词元间时延指的是连续输出词元之间的平均时间。我们决定将TTFT纳入词元间时延的计算。我们发现有些系统在端到端时间中很晚才开始流式传输。

端到端时延

端到端时延应该大致等于词元的平均输出长度乘以词元间时延。

单个典型请求的成本

API供应商通常可以通过牺牲其中一个指标来降低成本。例如，你可以通过在更多GPU上运行相同的模型或使用更高端的GPU来降低时延。

2 专用实例的额外指标

如果你正在使用专用计算运行LLM，例如Anyscale Private Endpoints，那么就会有一些额外标准。请注意，很难比较通用LLM实例和专有LLM实例的性能：它们的约束条件不同，利用率成为一个更为重要的实际问题。

配置

同一模型通常由于配置不同，导致在时延、成本和吞吐量之间出现不同权衡。例如，在p4de实例上运行的CodeLlama-34B模型可以配置为8个副本，每个副本有1个GPU，也可以配置为4个副本，每个副本有2个GPU，或者配置为2个副本，每个副本有4个GPU，甚至还可以配置为1个副本，拥有全部8个GPU。你还可以为流水并行或张量并行配置多个GPU。

每种配置都有不同特性：每个副本有一个GPU的情况可能拥有最低的TTFT（因为有8个“队列”等待输入），而一个副本有8个GPU的情况可能具备最大的吞吐量（因为有更多的批处理内存，且实际上有8倍的内存带宽）。

每种配置都会导致不同的基准测试结果。

输出词元吞吐量

还有一个重要的额外标准：总生成词元吞吐量，这便于比较成本。

最大利用率下的每百万词元成本

为比较不同配置的成本（例如，你可以在1个A10G GPU、2个A10G GPU或1个A100-40GB GPU上提供Llama 2-7B模型等），考虑给定输出的部署总成本十分重要。为进行比较，我们将使用AWS的1年预留实例定价（https://aws.amazon.com/cn/ec2/instance-types/p4/）。

3 考虑到但没有包含的测量标准

当然，我们可以将其他衡量标准添加到该列表。

预加载时间（未包含）

由于预加载时间只能通过对输入大小的首词元的回归来间接测算，因此我们在这一轮基准测试中没有加入这一指标。我们计划在未来的版本中添加预加载时间。

根据我们对大多数当前技术的经验，并没有发现预加载时间（获取输入词元，将它们加载到GPU并计算注意力值）对时延的影响比输出词元更显著。

可复现的语言大模型推理性能指标

上图显示了在不同的输入大小时，首词元时间（TTFT）的变化。所有这些样本都来自单次运行（5个并发请求）。这些数据点都将取均值，从而得到下面图表中的单个样本点。

可以看到，在250个词元输入和800个词元输入之间，输入词元与TTFT之间似乎并不存在明显的关系，且因其他原因导致的TTFT的随机噪声“掩盖（swamped）”了这一关系。

实际上，我们尝试过使用回归分析来估计这一关系，通过比较550个输入词元和3500个输入词元的输出，并估算梯度，我们发现每增加一个输入词元会增加0.3-0.7毫秒的端到端时间，相比之下，每增加一个输出词元会增加30-60毫秒的端到端时间（适用于Anyscale Endpoints上的Llama 2-70b模型）。因此，输入词元对端到端时延的影响约为输出词元的1%。我们将在未来继续对此进行测量。

总吞吐量（包括输入和生成的词元）

考虑到无法测量预加载时间，并且所花时间更多地取决于生成的词元数量，而不是输入的词元数量，因此，我们认为将注意力集中在输出上是正确的选择。

4 输入选择

运行该基准测试时，我们需要选择用于测试的输入和速率。

有人使用随机词元来生成固定大小的输入，然后在最大词元上使用强制停止（hard stop）来控制输出大小。我们认为这一做法不够理想，原因有以下两点：

随机词元并不代表真实数据。因此，某些依赖于真实数据分布的性能优化算法（如投机采样）在随机数据上的表现可能不如真实数据。
固定大小并不代表真实数据。这意味着某些算法的优势无法得到体现，比如分页注意力（paged attention）和连续批处理（continuous batching）等，因为它们很大一部分的创新点在于处理输入和输出的大小变化。

因此，我们希望使用“真实（real）”数据。显然，“真实”的定义因具体应用而异，但我们希望至少有一个平均水平的数据作为初始基准。

输入大小

为确定一个“典型”的输入和输出大小，我们查看了Anyscale Endpoints的终端用户数据。基于这一数据，我们选择了以下数值：

平均输入长度：550个词元（标准差为150个词元）
平均输出长度：150个词元（标准差为20个词元）

为简化问题，我们假设输入和输出都服从正态分布。在未来的工作中，我们将考虑Poisson分布等更具代表性的分布，因为这类分布在建模词元分布方面性质更佳，例如Poisson分布在负值时为0。

在计算词元数量时，我们始终使用Llama 2快速分词器，以一种独立于系统的方式估计词元数量。在过去的研究中，我们注意到ChatGPT的分词器比Llama 2的分词器更“高效”（Llama 2是每词1.5个词元，而ChatGPT是每词1.33个词元）。因此我们认为，ChatGPT不应因为这一点而受到惩罚。

输入内容

为使基准测试更具代表性，我们决定让LLM执行两项任务。

第一项任务是将数字的单词表示转换为数字表示。这实际上是一个“校验和”任务，用于确保LLM的正常运行：我们有很高的概率期望返回的值与我们发送的值相同（根据经验，良好运行的LLM很少出现概率低于97%的情况）。

第二项任务是为了增加输入和输出的灵活性。我们在输入中包含了莎士比亚十四行诗的若干行，并要求LLM在输出中选择若干行。这使我们得到了一个真实的词元和大小分布。我们还可以利用这一任务来“理智地检验”LLM——我们期望输出行在一定程度上类似于我们提供的输入行。

并发请求

一个关键特征是同时发出的请求数量。显然，更多的并发请求会使固定资源集的输出速度变慢。在测试中，我们已经将5作为关键数字进行了标准化。

5 LLMPerf

LLMPerf实现了上述标准。它还进行了参数化（LLMPerf允许改变输入和输出大小以匹配应用程序，这样就可以为自己的工作运行服务供应商的基准测试）。

单个词元的LLM产品基准测试结果

如上所述，我们很难比较按词元计费的LLM产品和按分钟计费的产品，因为后者以时间单位支付产品费用。在这些实验中，我们关注的是已知的按词元计费的产品。因此，我们选择了Anyscale上的llama-2-70b-chat，Fireworks和Perplexity。对于Fireworks，我们使用了Developer PRO账户（将速率限制提高到每分钟100个请求）。

每分钟完成的请求数

我们利用这一方法，通过改变并发请求数，来测算每分钟可以完成的请求，并观察整体时间变化。然后，我们将完成的请求数量除以完成所有请求所需的时间（以分钟为单位）。

需要注意的是，这种方法可能稍显保守，因为我们以“轮次”而不是连续查询的方式完成了并发请求。举例来说，如果我们同时发起了5个请求，其中4个在5秒内完成，另一个在6秒内完成，那么就会有1秒钟的时间并没有完全达到5个并发请求。

结果如图所示。

可复现的语言大模型推理性能指标

在处理过程中我们遇到了一个问题：即Perplexity的速率限制非常低。因此，我们只能在每轮之间暂停15秒来完成一个“一一对应”的比较。如果暂停时间少于这个值，就会开始从Perplexity那里出现异常。我们将这标记为每秒0.5个并发请求。我们一直运行实验，直到出现异常。

我们可以看到，Fireworks和Anyscale都可以扩展到每分钟完成数百个查询。Anyscale的扩展能力略高一些（最高达到每分钟227个查询，Fireworks最高为每分钟184个查询）。

首词元时间

我们比较了每个产品的TTFT。TTFT对于流媒体应用程序（如聊天机器人）尤为重要。

可复现的语言大模型推理性能指标

我们再次受到了Perplexity测试速度的限制。最初，在低负载情况下，Anyscale比Fireworks快，但随着并发请求的数量增加，Fireworks似乎略胜一筹。在进行5个并发查询时（这是我们关注的重点），时延差距通常在100毫秒以内（Fireworks为563毫秒，Anyscale为630毫秒）。需要注意的是，TTFT因网络条件存在很大差异（例如，服务部署在附近或远程地区）。

词元间时延

从上图可以看出，尽管两者的差异相对较小（约5%到20%），但Anyscale上的词元间时延始终优于Fireworks。

端到端时间

下图显示了完成查询所需的端到端时间。我们可以看到，就噪声而言，端到端请求时间是更敏感的衡量标准之一。

可复现的语言大模型推理性能指标

可以看到，Anyscale的端到端时间始终优于Fireworks，但随着负载水平增加，两者之间的差距变小（尤其是比例上的差距）。在运行5个并发查询时，Anyscale为4.6秒，而Fireworks为5.3秒（快15%），但运行30个并发查询时，两者的差距变小了（Anyscale快5%）。

每千次请求的成本

可复现的语言大模型推理性能指标

Perplexity目前处于公开测试阶段，因此没有价格可供比较。对于Fireworks，我们使用了其网站上列出的价格，即每百万输入词元收费0.7美元，每百万输出词元收费2.80美元。对于Anyscale Endpoints，根据其定价页所示，无论是输入还是输出，都是每百万个词元1美元。

6

结果分析

利用上述数据，我们可以计算出何时使用何种LLM产品：

对于低流量的交互式应用（比如聊天机器人），这三种方案都可行。ITL和TTFT都足够小，不会成为主要问题，因为人类每秒大约阅读5个词元，即便方案中最慢的速度也是人类的6倍之多，所以它们之间没有显著的差异。然而，在这种工作负载下，Anyscale是这三种方案中最便宜的，大约便宜15%。
如果你需要端到端的超低时延应用，且工作负载不是很大，那么一旦Perplexity推出公测版本，就值得考虑。然而，在Perplexity公布价格之前，很难知道这种低时延的“成本”是多少。
如果有大量工作负载，则可以考虑Anyscale和Fireworks。然而，对于特定的工作负载，Anyscale比其他服务便宜大约15%。同时，如果你的输入和输出比例很高，例如10个输入词元对应1个输出词元，那么Fireworks会更便宜（Fireworks为89美分，Anyscale为1美元），极端的文本摘要就属于这种情况。

7