Apple最近发表了一篇文章，可以在iphone, MAC 上运行大模型：【LLM in a flash: Efficient Large Language Model Inference with Limited Memory】。

主要解决的问题是在DRAM中无法存放完整的模型和计算，但是Flash Memory可以存放完整的模型。但是Flash带宽较低，LLM in Flash通过尽量减少从Flash中加载参数的数量，优化在DRAM中的内存管理，实现在Flash带宽有限的条件下提高计算速度的目的。

---

这篇文章很多都是工程上的细节，很少理论。下面是这篇论文的总结，如有不对的地方，欢迎私信。

• 利用FeedForward 层的稀疏度，只加载FeedForward层输入非0和预测输出非0的参数

• 通过Window Sliding 只加载增量的参数，复用之前的计算，减少需要加载的参数。

• 将up-projection的row和down-projection的column放在一起存放，这样在flash中可以一次读取比较大的chunk，提高flash的带宽利用效率。

  如下图所示，chunk越大，带宽也就越大，初始加载chunk的latency可以被平摊。

  

---

1. 大模型在FeedForward layer有超过90%的稀疏度。将embedding和attention 矩阵一直保存在DRAM中。Attention 的权重占据了model总量的1/3。对于FeedForward Layer，只有非稀疏的部分被动态的加载进去DRAM。

2. 预测Relu层的稀疏性。在attention层的输出后面增加low-rank predictor，预测在relu层之后可能是0的元素。

经过优化后，最终只需要加载2%的FeedForward层的参数到DRAM中。

3. Sliding Window

每次滑动窗口，在生成新的token后，删掉不在window内的neuron，增加新的neuron。

上图右侧为一个window size为5的示意图，粉色的是要删除的元素，蓝色的是新加入的元素。

上图左侧是如何在aggregated usage和incremental transfer中保持平衡，window设置的越大，每次新需要加载neruon也就越少，但是需要在memory中累计保存的空间占用的也就越大。

上图左侧的目标就是如何让aggregated usage和incremental transfer都比较小。

译者疑问：这个window就是Longformer: The Long-Document Transformer 中的sliding window吗？欢迎私信。

4. 内存管理

内存管理也是因为sliding window引入的。

译者注：

就像c++中vector的维护一样，如果每次删除vector中间的一个元素，都需要导致该元素后面所有元素的移动。

下图描述的就是删除和加入新neuron的内容。

最后文章还提出了比较有意思的一点，他们主要进行了稀疏化的优化，在计算和加载参数方面。他们也尝试了通过和当前neuron关系紧密的 “closest friend”绑定，每次加载neuron时，也都加载他的closest friend。

作者说但是这样带来了负面作用，因为存在一些closest friend是很多neuron的closest friend (译者注：类似于大众之友)，这些neuron被频繁的加载到DRAM中，反而降低了性能。