為增強設(shè)備上的智能性，在邊緣設(shè)備部署大型語言模型（LLMs）成為了一個趨勢，比如微軟的Windows 11 AI + PC。

目前部署的大語言模型多會量化到低比特。然而，低比特LLMs在推理過程中需要進行低精度權(quán)重和高精度激活向量的混合精度矩陣乘法（mpGEMM）?，F(xiàn)有的系統(tǒng)由于硬件缺乏對mpGEMM的原生支持，不得不將權(quán)重反量化以進行高精度計算。這種間接的方式導(dǎo)致了顯著的推理開銷，并且無法隨著比特數(shù)進一步降低而獲得加速。

為此，微軟亞洲研究院、中國科學技術(shù)大學、中國科學院大學的研究人員聯(lián)合開發(fā)了T-MAC。T-MAC采用基于查找表（LUT）的計算范式，無需反量化，直接支持混合精度矩陣乘，其高效的推理性能以及其統(tǒng)一且可擴展的特性為在資源受限的邊緣設(shè)備上實際部署低比特LLMs鋪平了道路。

代碼：https://github.com/microsoft/T-MAC

論文：https://www.arxiv.org/pdf/2407.00088

此外，當前大模型的部署普遍依賴于專用加速器，如NPU和GPU等，而T-MAC可以擺脫專用加速器的依賴，僅利用CPU部署LLMs，推理速度甚至能夠超過同一片上的專用加速器，使LLMs可以部署在各類包括PC、手機、樹莓派等邊緣端設(shè)備。T-MAC現(xiàn)已開源。

在CPU上高效部署低比特大語言模型

T-MAC的關(guān)鍵創(chuàng)新在于采用基于查找表（LUT）的計算范式，而非傳統(tǒng)的乘累加（MAC）計算范式。T-MAC 利用查找表直接支持低比特計算，從而消除了其他系統(tǒng)中必須的反量化(dequantization)操作，并且顯著減少了乘法和加法操作的數(shù)量。經(jīng)過實驗，T-MAC展現(xiàn)出了卓越的性能：在配備了最新高通Snapdragon X Elite芯片組的Surface AI PC 上，3B BitNet-b1.58模型的生成速率可達每秒48個token，2bit 7B llama模型的生成速率可達每秒30個token，4bit 7B llama模型的生成速率可達每秒20個token。這甚至超越了NPU的性能！當部署llama-2-7b-4bit模型時，盡管使用NPU可以生成每秒10.4個token，但CPU在T-MAC的助力下，僅使用兩核便能達到每秒12.6個token，最高甚至可以飆升至每秒22個token。這些都遠超人類的平均閱讀速度，相比于原始的llama.cpp框架提升了4至5倍。

即使在較低端的設(shè)備如Raspberry Pi 5上，T-MAC針對3B BitNet-b1.58也能達到每秒11個token的生成速率。T-MAC也具有顯著的功耗優(yōu)勢：達到相同的生成速率，T-MAC所需的核心數(shù)僅為原始llama.cpp的1/4至1/6，降低能耗的同時也為其它應(yīng)用留下計算資源。

值得注意的是，T-MAC的計算性能會隨著比特數(shù)的降低而線性提高，這一現(xiàn)象在基于反量化去實現(xiàn)的GPU和NPU中是難以觀察到的。但T-MAC能夠在2比特下實現(xiàn)單核每秒10個token，四核每秒28個token，大大超越了NPU的性能。

圖1 BitNet on T-MAC vs llama.cpp on Apple M2

圖2 在不同端側(cè)設(shè)備CPU（Surface Laptop 7, NVIDIA AGX Orin, Apple M2-Ultra）的各核數(shù)下T-MAC和llama.cpp的token生成速度可達llama.cpp的4-5倍。達到相同的生成速率，T-MAC所需的核心數(shù)僅為原始llama.cpp的1/4至1/6

矩陣乘不需乘，只需查表 (LUT)

對于低比特參數(shù) (weights)，T-MAC將每一個比特單獨進行分組（例如，一組4個比特），這些比特與激活向量相乘，預(yù)先計算所有可能的部分和，然后使用LUT進行存儲。

之后，T-MAC采用移位和累加操作來支持從1到4的可擴展位數(shù)。通過這種方法，T-MAC拋棄了CPU上效率不高的FMA（乘加）指令，轉(zhuǎn)而使用功耗更低效率也更高的TBL/PSHUF（查表）指令。

圖3 混合精度GEMV基于現(xiàn)有反量化的實現(xiàn)范式vs T-MAC基于查找表的新范式

以比特為核心的計算，取代以數(shù)據(jù)類型為核心的計算

傳統(tǒng)的基于反量化的計算，實際上是以數(shù)據(jù)類型為核心的計算，這種方式需要對每一種不同的數(shù)據(jù)類型單獨定制。

每種激活和權(quán)重的位寬組合，如W4A16（權(quán)重int4激活float16） 和W2A8，都需要特定的權(quán)重布局和計算內(nèi)核。

舉個例子，W3的布局需要將2位和另外1位分開打包，并利用不同的交錯或混洗方法進行內(nèi)存對齊或快速解碼。然后，相應(yīng)的計算內(nèi)核需要將這種特定布局解包到硬件支持的數(shù)據(jù)類型進行執(zhí)行。

而T-MAC通過從比特的視角觀察低比特矩陣乘計算，只需為單獨的一個比特設(shè)計最優(yōu)的數(shù)據(jù)結(jié)構(gòu)，然后通過堆疊的方式擴展到更高的2/3/4比特。

同時，對于不同精度的激活向量（float16/float32/int8），僅有構(gòu)建表的過程需要發(fā)生變化，在查表的時候不再需要考慮不同的數(shù)據(jù)結(jié)構(gòu)。

圖4 以比特為核心的查表計算混合精度GEMV

同時，傳統(tǒng)基于反量化的方法，從4-比特降低到3/2/1-比特時，盡管內(nèi)存占用更少，但是計算量并未減小，而且由于反量化的開銷不減反增，性能反而可能會更差。

但T-MAC的計算量隨著比特數(shù)降低能夠線性減少，從而在更低比特帶來更好加速，為最新的工作BitNet，EfficientQAT等發(fā)布的1-比特/2-比特模型提供了高效率的部署方案。

圖5 使用不同端側(cè)設(shè)備CPU的單核，T-MAC在4到1比特的混合精度GEMV算子相較llama.cpp加速3-11倍。T-MAC的GEMM耗時能隨著比特數(shù)減少線性減少，而基于反量化的llama.cpp無法做到（1比特llama.cpp的算子性能由其2比特實現(xiàn)推算得到）

高度優(yōu)化的算子實現(xiàn)

基于比特為核心的計算具有許多優(yōu)勢，但將其實現(xiàn)在CPU上仍具有不小的挑戰(zhàn)：

（1）與激活和權(quán)重的連續(xù)數(shù)據(jù)訪問相比，表的訪問是隨機的。表在快速片上內(nèi)存中的駐留對于最終的推理性能尤為重要；

（2）然而，片上內(nèi)存是有限的，查找表（LUT）方法相比傳統(tǒng)的mpGEMV增大了片上內(nèi)存的使用。這是因為查找表需要保存激活向量與所有可能的位模式相乘的結(jié)果。這比激活本身要多得多。

圖6 T-MAC與llama.cpp在計算數(shù)據(jù)流上的不同

為此，微軟亞洲研究院的研究員們深入探究了基于查表的計算數(shù)據(jù)流，為這種計算范式設(shè)計了高效的數(shù)據(jù)結(jié)構(gòu)和計算流程，其中包括：

1. 將LUT存入片上內(nèi)存，以利用CPU上的查表向量指令（TBL/PSHUF）提升隨機訪存性能。

2. 改變矩陣axis計算順序，以盡可能提升放入片上內(nèi)存的有限LUT的數(shù)據(jù)重用率。

3. 為查表單獨設(shè)計最優(yōu)矩陣分塊（Tiling）方式，結(jié)合autotvm搜索最優(yōu)分塊參數(shù)

4. 參數(shù)weights的布局優(yōu)化

a）weights重排，以盡可能連續(xù)訪問并提升緩存命中率

b）weights交錯，以提升解碼效率

5. 對Intel/ARM CPU 做針對性優(yōu)化，包括

a）寄存器重排以快速建立查找表

b）通過取平均數(shù)指令做快速8-比特累加

研究員們在一個基礎(chǔ)實現(xiàn)上，一步步應(yīng)用各種優(yōu)化，最終相對于SOTA低比特算子獲得顯著加速：

圖7：在實現(xiàn)各種優(yōu)化后，T-MAC 4-比特算子最終相對于llama.cpp 獲得顯著加速