AI图鉴

AI图鉴首页 › AI 资讯 › 本地和分配的大型 LLM Mac Studio上的MLX和RDMA推论

本地和分配的大型 LLM Mac Studio上的MLX和RDMA推论

来源:Apple ML · 发布时间:10-15 · 由 AI图鉴每小时自动聚合

本条资讯的摘要暂未整理出来,可点击下方按钮查看原文;本站每小时自动补充中文摘要。

本地和分配的大型 LLM Mac Studio上的MLX和RDMA推论

使用Apple硅的Mac上的MLX让AI研究人员和开发者在私人环境中对最新的模型和方法进行局部实验。 开源阵列框架利用Apple硅的统一内存架构,使任何人都能在自己的硬件上运行新的推论和微调方法,并探索其他AI技术。 在之前的一篇文章中,我们强调了M5架构及其GPU神经加速器的优点。

在本文中,我们展示了如何运行最新的前沿级模型——Muse Spark Open,近万亿参数——从您的办公桌右转,使用最新版本的MLX,发布今天。 在四个Mac Studio的集群上,Muse Spark Open每秒生成超过36个令牌(见图1),远高于人类平均阅读速度。

从一个单一的Mac Studio(最多512GB 统一内存)开始,然后用RDMA在Sunderbolt驱动器上跨过多个Macs,下面我们分享了现在在Mac Studio上可以运行的模型范围的概况。

用 MLX 运行大语言模型

我们在Mac Studio上使用MLX LM软件包,我们比较了两代的Mac Studio:近代的发布 M5 Ultra和前代的M3 Ultra. M5生成具有GPU神经加速器的特点,它支持专用矩阵乘法操作,对许多机器学习工作量至关重要。

我们评价了三种跨越各种大小的前沿级模型(表1)(以数十亿参数表示,B):新发布 Muse Spark Open(816 B),Mistral中3.5(128 B)和Qwen 3.8(27 B)。 Muse Spark Open是专家(MoE)模型的混合体,它只保留了一小部分专家——因此也是参数——活性,在推论中减少计算,并以NVFP4精度评价。 Mistral Media 3.5和Qwen 3.8是密集的建筑,所有参数在推论中都是活跃的,并且用其原生浮点精度(分别为FP8和BF16)来评价。

我们的评价在一系列上下文中衡量三种度量:第一兆(TTFT,以秒计)、发电吞吐量(以兆/秒计)和峰值功率使用量(以瓦特计)。 本文中的所有性能编号都是用mlx lm获得的。 基准测试 (英语). 例如,运行带有8,192个上下文符号的Qwen 3.8,并生成128个令牌时,会使用命令行执行:

mlx lm.基准测试 - 型号为Qwen/Qwen3.8-27B -p 8192 - g 128 - b 1

Mac Studio上流行使用本地LLMs,正在私人环境下运行代理体验,包括代理编码应用程序,这些应用程序往往需要大的背景。 因此,我们以8 192和65 536个背景规模报告执行情况。

表2和表3分别报告了原始TTFT和解码吞吐量。

单个Mac工作室的推论性能

Qwen 3.8 27B和Mistral Medical 3.5 128B在512GB的单一Mac Studio上舒适地搭配,在大上下文尺寸(65,536个令牌)设置中搭载了最多68GB和158GB的RAM. 在图2中,我们比较了他们在单一Mac Studio上的推论性能与RAM的512GB,无论是M3 Ultra还是M5 Ultra.

到第一令牌的时间(TTFT)本质上是计算绑定的,这就是M5 Ultra GPU中的神经加速器闪耀的地方:GPU神经加速器快速矩阵倍增的专用硬件支持直接转化为TTFT的重大加速,比M3 Ultra快达4.6×(见图2). 这使得带有M5 Ultra的Mac Studio成为处理涉及非常大背景的任务时所选择的桌面。

生成速度(每秒令牌)是内存-带宽绑定。 M5 Ultra芯片提供1.2 TB/s的统一内存带宽,比M3 Ultra的819 GB/s更高。 在这里,这再次直接转化为生成速度(见图3),由M5 Ultra的Mac Studio报告1.6×更快的符号/s.

Mac Studio对LLM推论也具有节能性(见图4):峰值功率消耗约为M3 Ultra的Mac Studio200W,而M5 Ultra的Mac Studio300W——是普通烤面包机使用的功率的一小部分。 更重要的是,这种有限的耗电量意味着可以部署一个Mac Studio,用于任何家庭或办公环境中的AI工作。

虽然Qwen和Mistral两个模型都适合一个带有RAM的512GB的Mac Studio上,但Muse Spark Open仅对模型参数的原生精度(BF16)需要超过1.6TB的RAM. 在4位化的(NVFP4)格式中,模型内存足迹被降低到约493GB. 在推论中加入中间计算所需的内存,模型不能适应单机。 它需要跨多个Mac Studio计算机的并行。

横跨两个 Mac Studio 计算机的推论

Muse Spark Open等非常大型的前沿级型号将不适合单机。 然而,可以将一半的模型存储在一个Mac Studio上,另一半存储在另一个工作室上。 然后我们可以把模型的推论通过两台计算机进行:第一个Mac Studio执行模型的上半层,然后将输出送到第二个Mac Studio,后者执行下半层。 这种平行化方案称为管道平行化(见图5),实施极为简单,只需要最小的代码修改。

MLX支持不同的平行计划,如MLX分布的文件所描述的。 这些系统依靠快速机际通信:macOS 26.2 推出是Sunderbolt 5上空的低常态RDMA驱动程序,MLX(v0.30.1及以后)基于此驱动程序,为不同的平行化计划提供新的通信集体(jaccl,宣告为"jackal"). 在我们的设置中,两个Mac Studio连接了两个Sunderbolt电缆(将链接带宽增加一倍),提供了Jaccl使用的RDMA-over-Thunderbolt链接。 一旦建立主机,MLX提供了mlx.发布,一个帮助者命令,用于跨越多个节点的发布任务:

mlx.发布 - hostfile hostfile.json - 后端 jaccl - env MLX METAL FAST SYNCH=1 - \

mlx lm.基准测试 - 型号误差/Mistral-中度-3.5-128B -p 8192 - g 128 -b 1 - 预填步长 8192 - 管道

在此命令中,-backend jacl指定了 RDMA 霹雳驱动程序后端。 e-env MLX METAL FAST SYNCH=1旗启用了用于快速CPU-GPU同步的实验性MLX特性,减少了CPU(启动霹雳通信)和GPU(进行计算)之间的通信间接。

一般而言,与管道平行化的解码推导速度(见图7)与单机非常相似,因为层仍按顺序评估。 通信间接费用也非常低,因为两层之间只需交换中间产出。

然而,值得注意的是,对于非常大的情况(我们基准测试的65 536个符号),管道平行化的完成速度快于一个用于预填的单一节点——最高为~1.8×更快(见图6)。 这是因为MLX将大上下文分割成小块(这里,8,192个令牌,由 -- prefill-step-size 8192设置),并将预填管道贯穿于机器之间:而第二台机器计算后几层块\(k\),而第一台机器计算前几层块\(k+1\),因此连续的块在时间上重叠。 为了更好地计算平行,我们接下来将转向拉诺平行。

加速推论的十进制并行

Tensor平行化(见图5)将LLM的宽度分布在几台计算机上,与管道平行化形成对比,管道平行化将模型分布在它的深度。 现在每台机器都持有模型各层的一小部分,这样每个层的计算都是平行的。 在高效实施时,拉伸平行化会提高推论速度。 然而,拉诺平行化比管道平行化更难执行:每层必须平行,这增加了代码的复杂性。 该计划还涉及许多小的通信业务:对于每个输入符和每一层,必须广播投入和总产出。 因此,在MLX jacl的支持下,雷霆RDMA等非常低常态的通信技术对于这种方法产生任何速度都是至关重要的。

有了MLQQs高水平的mlx.发布帮助器,很容易切换到拉诺平行化。 Mac Studio电脑以雷电网连接,每对机器由两台雷电网连接对等电缆。 假设主机被设置,我们只是发布,基准测试跨越多个机器,其:

mlx.发布 - hostfile hostfile.json - 后端 jaccl - env MLX METAL FAST SYNCH=1 - \

mlx lm.基准测试-型号meta-型号/Muse-Spark-Open-816B-A42B-NVFP4-p 8192-g 128-b 1

图8和图9显示使用带有M5 Ultra的两台或四台Mac Studio计算机获得的速度,相对单机基线(或指Muse Spark Open,即管道平行基线). 值得注意的是,密集结构在多台计算机中的规模更好。

使用少量的机器,拉伸平行化的通信间接费用可以在非常大的情况下抵消其一些计算效益,尽管这只适用于预填。 显示与Muse Spark Open,其中专家输出的单向正常化新增一些预填通信,足够在非常大的情况下(65,536令牌),然而,这一方法随着机器的加入而有所收效,这从四台M5超强机可以看出。 解码不受影响:Muse Spark Open即使在大语境下也能在拉诺平行化下保持显著的解码速度,与Qwen 3.8和Mistral Media 3.5等密度模型相当。

双线网在预填时也有所回报,其中额外的链接带宽被感觉。 对于Muse Spark Open on 4 M5 Ultra,在65,536-token上下文,每条链接有两个电缆将TTFT从约50.5s(1条电缆)切到40.6s——表2中报告的双电缆值,单电缆运行是额外的实验。

Mac 上的本地代理AI

最近Mac上的代理AI获得了相当的牵引力,代理编码工具在开发者中看到广泛采用。 有了MLX,将这些工具本地化的动力就和发布一样简单,它是一个带有mlx lm的服务器。 服务器工具。 例如,一个运行在端口8080上的Muse Spark Open的服务器开始于:

mlx.发布 - hostfile hostfile.json - 后端 jaccl - env MLX METAL FAST SYNCH=1 - \

mlx lm.server - 型号为meta-型号/Muse-Spark-Open-816B-A42B-NVFP4 - 港8080

就像Mlx lm一样。 基准测试,mlx lm.server帮助器可以使用mlx.发布的前缀,以并行计算跨多个Mac Studio. 从那里,代理AI可以启用OpenCode等工具,这些工具可以很容易地配置到使用本地的LLM服务器:

{

"$schema":"https://opencode.ai/config.json" (中文(简体) ).

"模型":"meta-型号/Muse-Spark-Open-816B-A42B-NVFP4".

"提供方":{

"mlx": {

"npm":"@ai-sdk/openai-兼容".

"姓名":"当地MLX"

"选项":{

"BaseURL":"http://127.0.0.1:8080/v1" 互联网档案馆的存檔,存档日期2013-07-02.

},

"模型":{

"meta-型号/Muse-Spark-Open-816B-A42B-NVFP4":{

"姓名":"Muse Spark Open 816B(MLX)" (中文(简体) ).

}

}

}

}

}

许多其他本地代理人工智能经验可以通过类似方法实现。

结论

在过去的一年里,我们致力于MLX的几个关键创新,以使最先进 LLMs在近期的Apple硅上就地运行更加容易和高效。 其中包括对M5芯片家族GPU中的神经加速器的软件支持,使用RDMA在Sunderbolt上跨多个Mac的低纬度通信,以及最近流行的架构的高效实施,如专家混合(MoE). 每一个都是靠自己来帮助的,但都是它们与最新的Apple硅的结合——Mac Studio与。

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

AutoBracketMaker

AutoBracketMaker 是赛事对阵表与现场赛事管理工具,支持单败/双败赛制、场地分配、比分记录和分

FaviconDL

FaviconDL 提供网站图标提取与下载,可获取 ICO、PNG、SVG 和 Apple Touch Ic

Orkas

Orkas 是面向个人创业者和小团队的开源、本地优先桌面 AI 团队,可通过对话协调研究、文档、演示、视频和

意构 Eido

意构 Eido 是开源 AI IDE,将专业 IDE、强大的 Agent Harness、Browser U

相关免费羊毛

AI Ping

邀请注册领 10 元 Token

Comet Opik

开源 LLM 评测与监控平台

Future AGI

免费档含每月 10 万次网关请求

Google AI Studio

Gemini 2.5 每日 1500 万 token 免费

同源资讯

基于选择的结构原因:实现高效率的多式联运搜索Agents

Apple ML · 10-15

计划还是抢先?工具发现架构的尺度研究

Apple ML · 10-15

阅读原文(machinelearning.apple.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 586 款 AI 工具分类导航 · 每日 AI 热门项目与动态