[閒聊] LLM 推理用機器

[sachialanlus (yeh)]

由於最近 LLM 發展越來越快，剛好自己也有一些 LLM 的需求。
但又不想要使用 OpenAI 或是其他供應商的服務。
從前幾個月開始就有想要自己弄個機器來架設服務的想法。
最近開始也對高參數的模型越來越好奇，但由於大容量 VRAM 的 GPU 實在是買不起，所以想說是不是轉用 CPU 來玩玩看。
我看了很多技術分析和 Benchmark，基本上都說 LLM 的 inference 目前是 memory bound，也就是 memory bandwidth 是瓶頸。
所以按照這個思路用 CPU 來跑模型的話首要提升的就是 DDR 的 bandwidth。
我看了下 threadripper 和 xeon 的幾個型號，其中我覺得 CP 值比較高的是 Intel 3435x 可以 8 通道 DDR5-4800，換算起來頻寬大概是主流 PC 的 3-4 倍。
但我去拉了下估價單 W5-3435X (56500$) + Asus Pro WS W790-ACE (27990$) + Kingston 32GB 4800MT D5 ECC * 8 (40800$) = 125290$
為了要用這顆 CPU，整個成本算起來根本不比買多張卡來得划算多少。
我就在想是不是還是 GPU 多卡買一買就好了，反正即使 256GB 的 Ram 放得下的模型在我的平台上根本也跑不動。
唯一想到的用途就是同時開很多個 instance 來服務不同的需求。
(上上個月還有海淘一張 2080Ti 22G 來試試看，結果用沒幾天就壞了... 還好能退)
最近也有在看 AMD 的 Strix Point，這代預期的 iGPU 是 RDNA3+ 16CU 大概 RTX-2050 的效能，但因為可以 DDR5-5600 所以擴充性會比 Strix Halo 只能用 LPDDR5x 來得好。
選 Strix Point 就等同於犧牲了當初追求的效能，但優點是低功耗而且便宜。
是不是應該等 Strix Point 出來組一台 128GB 的平台來跑跑小模型就好。
相比多卡的方案用 iGPU 的好處就是低功耗，但效能實在是天差地別。
有人也有類似的煩惱嗎?
我自己的話預算希望是 100k 以內，最多捏到 150k。

-----
Sent from JPTT on my Xiaomi 23127PN0CG.

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 118.160.35.51 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/PC_Shopping/M.1718523808.A.521.html
→ popblue: 何不先用AWS測試你需要什麼硬體規格再來
確實好像可以先去雲端平台租高階 CPU 來玩玩看，這我倒是之前沒想過。
之前對於雲端平台就只想到租 GPU 而已。
→ popblue: 買？
→ moonlightz: 用mac會不會比較好？
Mac 的話剛看了下 Mac Studio 好像也不是不行，但稍微爆預算。
推 greg7575: 4090  屌打各式CPU
推 vieris: 用cpu跑太慢了 用gpu的話沒有40g以上的ram
→ vieris: 根本塞不進LLM 有自己訓練的需求不如去租s
→ vieris: erver來用
我的需求只有推理，所以不需要考慮租用大 GPU 來訓練。
→ scarbywind: 去對岸挖過時的EPYC比較有機會吧
→ scarbywind: https://youtu.be/oDIaHj-CGSI
→ scarbywind: 如果你有辦法用cpu去跑的話
→ scarbywind: 24通道 40萬台幣
→ scarbywind: 不過這好像跟過時沒關係(X)
嚴重爆預算 這真的捏不了...
→ spfy: 所以你還沒測過CPU跑的效果？
我有先用目前的配備用 CPU 跑過，7b q4 大概 12 t/s，我覺得已經夠用了。
但如果想要跑大一點的模型像是 70b q4 的話就只有 0.9 t/s，遠遠達不到可用的狀態。
內文裡面少講一點就是如果改用 Strix Point 的話就是日常使用沒問題，但就跟大模型說掰掰了。
以換換病的比喻就是吃了止痛藥但未來可能還會發作。
推 ptta: colab pro, AWS都可以先測試一下？
→ ptta: 花個幾百塊台幣而已
嗯嗯 我覺得我應該會朝著使用雲端平台租個高階 CPU 來先試試看效果
※ 編輯: sachialanlus (118.160.35.51 臺灣), 06/16/2024 17:12:05
→ kivan00: 先試看看花多少時間建立環境跟調整 用用
→ kivan00: 看囉 Nvidia猛的是在生態
※ 編輯: sachialanlus (118.160.35.51 臺灣), 06/16/2024 17:12:59
※ 編輯: sachialanlus (118.160.35.51 臺灣), 06/16/2024 17:13:34
※ 編輯: sachialanlus (118.160.35.51 臺灣), 06/16/2024 17:14:41
※ 編輯: sachialanlus (118.160.35.51 臺灣), 06/16/2024 17:15:28
※ 編輯: sachialanlus (118.160.35.51 臺灣), 06/16/2024 17:17:45
→ yymeow: 我自己跑GPT的心得是，瓶頸在GPU
推 AIRURU: 可以考慮用vast租2-4張4090跑跑看感受下效
→ AIRURU: 果
我的用途會比較像是長期在線的，主要會拿來跑 code completion, 日文翻譯和 rag。如果是租用 4 張 4090 的話感覺長期使用成本太高。
→ yymeow: 然後還跟VRAM有關係，VRAM不夠，給的文章
→ yymeow: 長一點，就讀不下去了
※ 編輯: sachialanlus (118.160.35.51 臺灣), 06/16/2024 17:46:12
推 AIRURU: 我的意思是先用租的確認模型執行需要的vra
→ AIRURU: m，例如先跑q4評估精度、速度可不可用上下
→ AIRURU: 文要多長，如果tps很夠用可以再考慮是否降
→ AIRURU: 級改更多卡湊vram
是不是即使是大模型上在實務上還是比較建議用多卡 GPU 而非 CPU 呀。當初會首要考慮 CPU 主要是因為覺得推理用不到那麼多的算力，所以想說選 CPU 比較好擴充 ram。畢竟我看 llama.cpp 的討論串裡面大家分享出來的效能真的就是跟 memory bandwidth 成正比，不論是 CPU 還是 GPU 都是這個結果。
※ 編輯: sachialanlus (118.160.35.51 臺灣), 06/16/2024 18:13:42
→ narukaza: 這預算怎麼會是選INTEL，連垃圾佬都不
→ narukaza: 撿的東西(X
→ narukaza: EPYC 7002 7003對岸撿不是隨便都比W5-3
→ narukaza: 435好嗎，你看我剛撿的7K62單顆都吊打3
→ narukaza: 435...你這預算都可以組雙路了吧
當初看上那顆是因為是 8 通道 DDR5 OAO
推 FXW11314: 不是，你都已經研究到知道這玩意兒很吃
→ FXW11314: memory bandwidth 了怎麼還會想用CPU跑
→ FXW11314: ？DDR跟GDDR是可以差一個數量級的欸
推 Ghosts: 3090x4 + nvlink(非必要) 最簡單
→ Ghosts: 價格也不會到無法負擔，只是二手風險高
→ Ghosts: llama.cpp的問題是高併發會輸vllm
→ Ghosts: 除非要用cpu+gguf 4bit之類的模型
→ Ghosts: 不然個人偏好還是vllm+gpu
→ Ghosts: 然後12t/s超慢，顯卡隨便都能破百以上
推 FXW11314: 再說即使只跑推理本質上還是一堆矩陣運
→ FXW11314: 算，GPU還是比CPU有優勢
確實，之後也找一些二手卡來試試看多卡好了
噓 jeffguoft: 這排版沒人噓？
※ 編輯: sachialanlus (118.160.35.51 臺灣), 06/16/2024 18:45:16
※ 編輯: sachialanlus (118.160.35.51 臺灣), 06/16/2024 18:47:21
→ sachialanlus: 感謝大家的建議，真的看到好多之前
→ sachialanlus: 沒有注意的盲點。我想我應該會先試
→ sachialanlus: 試看租高階 CPU 和多卡的機器來比較
→ sachialanlus: 看看，如果效能差異很明顯的話就直
→ sachialanlus: 接買多卡來組了。感謝大家~
推 AIRURU: 用最丐的3060測試堆vram也比cpu快多了，70
→ AIRURU: B-Q4
→ AIRURU: 預算夠就直上兩張4090比較實在
→ AIRURU: http://i.imgur.com/yvoSQLW.jpg
→ AIRURU: http://i.imgur.com/ScvLEEh.jpg
推 aegis43210: 推論要用支援AMX指令集的CPU
推 aegis43210: 不然就要模型有支援老黃的推論單元
→ aegis43210: EPYC又不支援AMX，最差選擇
推 jeff85898: 除非是對資料隱私有需求 不然自己架LLM
→ jeff85898: 做推論 電腦和冷氣電費、噪音加一加成
→ jeff85898: 本太高了
→ jeff85898: http://i.imgur.com/JHIn78E.jpg
推 jeff85898: 啊如果真的要入坑就對岸撿一組EPYC組多
→ jeff85898: 卡 或是用ARM Mac跑也許會比較安靜省電
→ nemo33: AWS EC2 G5/G6 跑 inference
推 ClixTW: 我跑Commamd R，記憶體沒爆還是慢到無法
→ ClixTW: 接受（大概每秒1Token），處理器也跑不滿
→ ClixTW: ，還是給VRAM跑吧
推 shiauber: 要塞70b的 就建議直上租借了...
→ shiauber: 70b 也只是入門
→ shiauber: 剛剛看到老黃推出了 340b
→ shiauber: 稍微看了一下 要inference
→ shiauber: 至少兩張 A100 or 一張 h100
→ shiauber: 這段演化真的衝很快，還是是老黃說了算
→ shiauber: 總之多學多看 實作真的可以省一點
→ shiauber: 論文現在是天天噴發 llama2才發布多久
→ shiauber: llama3就出來 迭代太快了
→ DLHZ: 你這完全沒研究的不如先去租個容器來用看看
→ DLHZ: 再說
推 jyhfang: 有個麻煩的地方 現在這些模型和硬體超級
→ jyhfang: 快 自己買硬體弄這些 會不會很快就跟不上
→ jyhfang: 更好的模型的基本需求? 更高效率的硬體
→ jyhfang: 或是 更棒的模型但基本需求也快速提升
→ jyhfang: 之類的 這跟現在一般自組電腦對應的需求
→ jyhfang: 完全不同
推 ChouEita: 建議你好好研究模型Inference 是用什麼
推 RoarLiao: 現在噴發期除發為了賺錢不然真的不建議
→ RoarLiao: 為了興趣砸大錢
推 RoarLiao: 然後所有人都在搞gpu的項目為什麼要自己
→ RoarLiao: 想繞過去用cpu搞自己....