Llama提速500%！谷歌美女程序员手搓矩阵乘法内核

【导读】近日，天才程序员Justine Tunney发推表示自己更新了Llamafile的代码，通过手搓84个新的矩阵乘法内核，将Llama的推理速度提高了500%！

谷歌的美女程序员，将Llama的推理速度提高了500%！

近日，天才程序员Justine Tunney发推表示自己更新了Llamafile的代码，

她重写了84个新的矩阵乘法内核，使得Llamafile可以更快地读取提示和图像。

与llama.cpp相比，新的Llamafile在CPU上的推理速度提升了30%到500%。

其中，ARMv8.2+（如RPI 5）、Intel（如Alderlake）和AVX512（如Zen 4）计算机的改进最为显著。

另外，对于适合L2缓存的矩阵，新的内核比MKL快2倍！

Justine Tunney表示：负责MKL的大家，你们有事做了！

毕竟，由微软，英特尔，TI，AMD，HPE，Oracle，Huawei，Facebook，ARM和National Science Foundation资助的BLIS，作为最强大的开源BLAS，输了就太没面子了！

Any time somebody outside Intel beats MKL by a nontrivial amount, I report it to the MKL team. It is fantastic for any open-source project to get within 10% of MKL... [T]his is why Intel funds BLIS development.
每当英特尔以外的人以不小的幅度击败MKL时，我都会向MKL团队报告。对于任何开源项目，超过MKL 10%以内就已经非常厉害了......这就是英特尔为BLIS开发提供资金的原因。

跨平台的「羊驼」

Llamafile作为一个本地LLM项目，诞生于去年11月，由Justine Tunney与Mozilla团队合作开发。

他们使用Cosmopolitan Libc，将llama.cpp打包为一个跨平台的单个二进制文件，让「羊驼」可以在基于AMD64和ARM64的六个操作系统上运行。

而且在GPU短缺的情况下，Llamafile可以不需要昂贵的CUDA内核，——家里的旧CPU，只要性能还行，再加一点RAM就足够了，很好地保护了大家的钱包。

项目地址：https://github.com/Mozilla-Ocho/llamafile/releases

Llamafile代码可以在GitHub上找到，使用C++编写的，没有外部依赖，可以在Linux、macOS、Windows、FreeBSD，甚至SerenityOS上编译。

而且，Justine Tunney并没有就此止步。她已经在努力支持新的数据格式，比如FP16和BF16，以进一步减少内存占用，——她甚至在Raspberry Pi上成功运行了TinyLlama！

性能提升

老惠普

Justine Tunney最开始尝试LLM时，用的是下面这台简陋的HP主机，运行Alpine，机械硬盘、慢速RAM、AVX2处理器、没有 GPU。

HP Intel® Core™ i9-9900 ($439) w/ 2200 MT/s RAM

出于对llama.cpp的喜爱，Justine Tunney与人合作为其引入了mmap()支持，使得权重可以立即加载，只使用原来一半的RAM。

之后，Justine又花了很长的时间来优化代码，让我来看一下改进后的效果：

在Skylake上，llamafile实现了2倍的加速，llama.cpp也获得了50%的性能提升。

到目前为止，Justine为q8_0、f16、q4_1、q4_0和f32数据类型编写了优化的内核。

树莓派

最新版的树莓派不仅提升了主频，还引入了对ARMv8.2 dotprod 和fp16算术ISA的支持，仅这两个功能就让llama.cpp在f16权重上实现了10倍性能提升。

因为树莓派的两个CPU都有32个矢量寄存器，Justine使用为AVX512编写的内核，使推理速度又提高了2倍。

不过值得注意的是，新的ARMv8.2 fp16 ISA可能会引入比平时更多的错误，因为它会导致llamafile使用fp16。因此，Q8_0权重实际上的效果更好，因为它使用dotprod ISA。

游戏主机

在Alderlake CPU上，Justine将float16的性能提高了五倍。

与ARMv8.2不同，Alderlake能够在不引入舍入错误的情况下做到这一点，因为内核在内部使用float32计算类型。

另外让人吃惊的是，当涉及到小工作负载时，这个芯片甚至能够在CUDA开始之前就完成任务。

苹果

Mac Studio，作为llama.cpp开发人员最关心的硬件平台，想要在这里提升性能比较困难。

另一个问题则是苹果自身的封闭环境：

M2 Ultra将RAM DIMM放在了CPU内部，使得token生成等受延迟限制的操作速度更快，因为CPU不再需要打「长途电话」了。

我们可以看到，与便宜得多的英特尔计算机相比，M2 Ultra仅通过ARM ISA暴露了30%的计算能力。

如果开发者想访问更多内容，则需要通过苹果的专有框架，例如Metal和Accelerate。

AMD

虽然llamafile非常关心帮助缺乏GPU的人，但也为另外1%的人提供了一流的体验。

AMD Ryzen Threadripper PRO 7995WX，通过花费10,000美元左右，你会得到96个基于Zen4架构的AVX512内核。

尽管价格只有M2 Ultra的两倍，但7995WX x86 ISA提供的原始计算能力是M2 Ultra ARM ISA的7倍，token生成速度几乎相同，这可能要归功于384M的L3缓存。

通过Justine的优化，现在可以在Zen4上以2.8倍的速度运行LLaMA。

天才程序员

Justine Tunney出生于1984年，14岁就开始帮别的黑客开发软件，当时的绰号是「Oogle」。

我们来浅浅地看一下她这些年的一些工作：

RedBean

一个web服务器，神奇的是可以跨平台在6种操作系统上运行！

这可不是Java那种叠了一层虚拟机的机制，Justine开发了一种叫做APE(Acctually Portable Executbale)的文件格式，可以在任何x86-64的操作系统上执行。

「一次编译，处处运行」——Java：嗯？这不是我吗？

cosmopolitan libc

为了能够跨平台调用外部程序，比如c标准库，Justine直接手搓了一个libc，在各种平台上实现了所有需要的核心操作：

看一下上面的工作量，实在是太炸裂了，而且一般人就算想肝，没有实力也是不可能的。

sectorLisp

仅有512个字节，最小的Lisp实现，可通过BIOS引导启动：

除了上面这几个，还有诸如Blinkenlights、RoseHub等天才项目，这里不再一一列举。

对于这番成就，有网友感叹道：

Every time I read something by Justine Tunney, I am continually reminded of my mediocrity.

对于之前提到的mmap工作，网友评价：「有Fabrice Bellard之风」。

Justine Tunney is a true genius. Similar to Fabrice Bellard, a truly unique mind.
Justine or Fabrice are the true 10x engineers, their output is world class and they are much rarer than any hiring article about these gurus want us to believe. With Justine's work, I feel would need to be more than a 1x engineer myself just to find the time to play with all of her creations.

2012年，Justine Tunney开始在谷歌工作，并负责了一些知名项目的关键部分。