Microsoft объявила о новом рекорде производительности в области инференса больших языковых моделей. На виртуальных машинах Azure ND GB300 v6, работающих на стоечных системах NVIDIA GB300 NVL72, инженерам удалось достичь скорости 1.1 миллиона токенов в секунду при работе с моделью Llama 2 70B. Это примерно на 27% выше предыдущего мирового показателя, установленного на оборудовании поколения GB200.
Архитектура Blackwell, на которой основаны новые GPU, обеспечивает почти пятикратный рост пропускной способности по сравнению с H100, а использование формата FP4 и обновлённой библиотеки NVIDIA TensorRT-LLM позволило сократить задержки при обработке данных и повысить эффективность на уровне ядра. Всё это даёт возможность обрабатывать гораздо большие массивы информации с минимальными затратами энергии.
Испытания проводились в партнёрстве с независимой аналитической компанией Signal 65, которая подтвердила достоверность результатов. В открытом доступе опубликованы логи тестового инстанса на GitHub, что делает эксперимент одним из самых прозрачных в истории Azure.
Кроме того, Azure готовит инструменты, которые позволят разработчикам использовать подобные мощности через стандартные API, не вдаваясь в детали архитектуры. Это приближает момент, когда инференс на миллион токенов в секунду станет не лабораторным рекордом, а повседневной практикой для коммерческих приложений.
Делегируйте часть рутинных задач вместе с BotHub! Для доступа к сервису не требуется VPN и можно использовать российскую карту. По ссылке вы можете получить 100 000 бесплатных токенов для первых задач и приступить к работе с нейросетями прямо сейчас!
Источник
Источник: habr.com