इन्फरेंस इंजीनियरिंग में नया क्या है — फिलिप काइली, बेजटेन
AAI Engineer
Computing/SoftwareInternet Technology
Transcript
00:00:00मैं यहाँ यह बताने आया हूँ कि इन्फरेंस इंजीनियरिंग में नया क्या है, तो हाय, मैं फ़िलिप हूँ और मैं यहाँ इसलिए हूँ
00:00:19क्योंकि मैंने एक किताब लिखी है। AI इंजीनियर वर्ल्ड्स फेयर में यह मेरा तीसरा साल है। यह पूरी दुनिया में
00:00:24मेरा पसंदीदा सम्मेलन है। हर साल यह मेरे कैलेंडर का सबसे खास हिस्सा होता है। मुझे
00:00:29स्पीकर और इंजीनियर के रूप में अपनी शुरुआत 2024 में यहीं से मिली। मैं 2025 में वापस आया और बहुत सारी चीजें कीं।
00:00:36मैं फिर से यहाँ हूँ। मुझे यहाँ आना पसंद है और मुझे हमेशा आमंत्रित करने के लिए मैं आयोजकों का बहुत आभारी हूँ। मैंने
00:00:44'इन्फरेंस इंजीनियरिंग' नाम की यह किताब लिखी थी। हमने इसे तीन या चार महीने पहले प्रकाशित किया था और मुझे
00:00:49इसकी प्रतिक्रिया देखकर बेहद खुशी हुई है। हमने 23 फरवरी को इसे प्रकाशित किया था, और इस समय तक
00:00:57हम 11,000 से अधिक पेपर कॉपियां बेच चुके हैं, हम जल्द ही 30,000 डिजिटल कॉपियां पूरी करने वाले हैं और दुनिया भर के 2.4 करोड़
00:01:04लोग या 2.4 करोड़ ट्विटर अकाउंट्स तक पहुँच चुके हैं। तो देखते हैं कि वास्तव में कितने लोगों ने
00:01:09इन्फरेंस इंजीनियरिंग से जुड़ा कुछ न कुछ देखा है। और इस शानदार प्रतिक्रिया के साथ ही,
00:01:17एक सवाल ऐसा रहा है जो लोग मुझसे पूछते आ रहे हैं: आपने भला ऐसा क्यों किया? यानी आप
00:01:23एक ऐसी चीज पर किताब क्यों लिखेंगे जो इतनी तेजी से बदल रही है? खैर, मेरा मानना है कि
00:01:29इस समय तक इन्फरेंस इंजीनियरिंग के कई सिद्धांत काफी मजबूत हो चुके हैं, और ऐसी बहुत सी चीजें हैं जो
00:01:34हम मॉडल की हर नई पीढ़ी के साथ सीख सकते हैं और दोहरा सकते हैं। लेकिन आज मैं यहाँ यह बताने आया हूँ कि
00:01:42इन्फरेंस इंजीनियरिंग में नया क्या है। किताब आने के बाद की सभी नई जानकारियों का यह पहला सार्वजनिक परिशिष्ट है।
00:01:48हम इन्फरेंस इंजीनियरिंग के सिद्धांतों की थोड़ी समीक्षा करेंगे, और फिर उस सब पर बात करेंगे
00:01:54जो 23 फरवरी 2026 के बाद से इन्फरेंस की दुनिया में हुआ है। हम बात करेंगे
00:02:00कि टर्बो क्वांट के साथ क्या हुआ, केवी कॉम्पैक्शन के बारे में थोड़ी बात करेंगे, हम डी-फ्लैश पर काफी समय
00:02:05बिताएंगे और स्पेक्युलेटिव डिकोडिंग की कुछ नई और रोमांचक चीजों पर चर्चा करेंगे। और फिर मैं
00:02:12थोड़ा अनुमान लगाऊंगा, थोड़ा पूर्वानुमान लगाऊंगा कि इन्फरेंस में आगे क्या होने वाला है
00:02:17और अगली बार जब आप लोग मुझे यहाँ देखेंगे, तो मैं किस बारे में बात करने के लिए उत्साहित रहूँगा।
00:02:23बढ़िया! तो चलिए शुरू करते हैं। इन्फरेंस के बारे में लोगों के साथ ढेर सारी बातचीत से
00:02:30मैंने कुछ साझा सिद्धांतों की पहचान की है। और उनमें से एक बड़ा सिद्धांत यह है—
00:02:38मैं उस दिन सारा के साथ इस पॉडकास्ट पर था, हम इन्फरेंस के बारे में बात कर रहे थे,
00:02:44और दो तरह की इन्फरेंस इंजीनियरिंग सामने आई है: एक है लोकल इन्फरेंस,
00:02:48जहाँ मुख्य रणनीति बस यह होती है कि जो भी हार्डवेयर आपके पास है, उस पर इसे चला दिया जाए।
00:02:56मॉडल को क्वांटाइजेशन, डिस्टिलेशन, प्रूनिंग जैसे तरीकों से कंप्रेस करके, या आपके घर में जो भी
00:03:02GPU मौजूद हैं, उन पर बाँटकर चलाया जाता है। पहले आप इसे काम करने लायक बनाते हैं, और फिर इसकी कमियों को दूर करते हैं।
00:03:09मॉडल के इस कम्प्रेशन से जो भी गंभीर समस्याएं पैदा हुई हैं, उन्हें आप हटाते हैं और
00:03:15बैच साइज 1 पर चलाते हुए इसे वापस पुरानी बुद्धिमत्ता के स्तर पर लाने की कोशिश करते हैं। और फिर मेरी
00:03:20दुनिया आती है—बैच साइज और डेटा सेंटर की दुनिया, जहाँ नियम है कि इसे तुरंत काम पर लगाओ,
00:03:27vLLM का बिल्ड तैयार करो, इसे चालू करो और फिर इसकी स्पीड बढ़ाओ। इसके लिए केवी-अवेयर राउटिंग, स्पेक्युलेशन,
00:03:33और डिसएग्रीगेशन जैसी चीजें की जाती हैं। मुझे लगता है कि इन दोनों दुनियाओं से हमें एक-दूसरे से काफी कुछ सीखने को मिलता है।
00:03:40इस टॉक में मेरा ध्यान डेटा सेंटर-उन्मुख इन्फरेंस इंजीनियरिंग की प्रगति पर रहेगा,
00:03:46क्योंकि मैं इसी के बारे में जानता हूँ, लेकिन लोकल इन्फरेंस की दुनिया में भी कई बेहतरीन चीजें हो रही हैं।
00:03:52अपनी किताब 'इन्फरेंस इंजीनियरिंग' में, मैंने आम तौर पर माना है कि वेट्स (weights) एक तैयार प्रोडक्ट हैं, और
00:03:58मुझे लगता है कि ट्रेनिंग से इन्फरेंस में हैंडऑफ को ध्यान में रखना जरूरी है, और यह इस क्षेत्र की
00:04:03सीमा तय करने का एक अच्छा तरीका है। हालाँकि, मुझे हाल ही में यह अधिक से अधिक देखने को मिला है कि
00:04:10इन्फरेंस के लिए कई ऑप्टिमाइजेशन एक समर्पित ट्रेनिंग प्रोसेस से आते हैं। इसलिए ट्रेनिंग
00:04:17और इन्फरेंस के बीच की लकीरें धुंधली होती जा रही हैं, और यह ध्यान रखने योग्य एक दिलचस्प बात है।
00:04:22हम एक ऐसा चक्र देख रहे हैं जहाँ आपको तेजी से इन्फरेंस मिलता है, जिससे अधिक डेटा मिलता है, जिसका उपयोग आप
00:04:28एक बेहतर मॉडल को ट्रेन करने के लिए करते हैं, जिससे आपको और तेज इन्फरेंस मिलता है, जिससे अधिक डेटा मिलता है... और आप बस
00:04:33तब तक ऐसा करते रहते हैं जब तक आप बहुत अमीर न बन जाएं। तो इन्फरेंस के लिए ट्रेनिंग के साथ,
00:04:39हमारे पास उन चीजों पर बात करने के लिए कई नई तकनीकें हैं जिन्हें मैं 'द बिग थ्री' कहना पसंद करता हूँ।
00:04:45हम क्वांटाइजेशन की नई खबरों, कैशिंग की नई खबरों (विशेष रूप से KV कैश मैकेनिज्म) और
00:04:52स्पेक्युलेशन की नई खबरों पर बात करेंगे। क्योंकि ये वही क्षेत्र हैं... वैसे तो इन्फरेंस की दुनिया में और भी बहुत कुछ है,
00:04:57जिसमें से कुछ चीजों पर मैं अंत में बात करूँगा, लेकिन जब रोजमर्रा के व्यावहारिक काम की बात आती है
00:05:02कि 'किसी मॉडल को तेज कैसे बनाया जाए', तो आमतौर पर लोग इन्हीं तीन तकनीकों का सहारा लेते हैं।
00:05:09तो सबसे पहली बात, मैंने एक किताब प्रकाशित की, फरवरी का महीना था, मुझे बहुत अच्छा लग रहा था, मुझे लगा कि वाह,
00:05:16इन्फरेंस के बारे में जो कुछ भी जानने की जरूरत है, वह सब एक ही जगह पर है! और फिर,
00:05:23क्वांटाइजेशन की दुनिया में: संक्षेप में कहें तो, क्वांटाइजेशन वह प्रक्रिया है जहाँ हम कम सटीक नंबर फॉर्मेट का उपयोग करते हैं
00:05:32ताकि बैंडविथ और कंप्यूट की बचत हो सके, TTFT और TPS को बेहतर बनाया जा सके।
00:05:39यह आमतौर पर हार्डवेयर-विशिष्ट होता है, लागत बचाता है, लेकिन मॉडल की गुणवत्ता में थोड़ी गिरावट ला सकता है।
00:05:45वैसे, यदि आप क्वांटाइजेशन पर मेरा पूरा विचार सुनना चाहते हैं, तो मैंने पिछले महीने AI इंजीनियर मियामी में एक टॉक दी थी
00:05:51कि कैसे क्वांटाइजेशन उतना बुरा नहीं है जितना लगता है, और ऐसी कई चीजें हैं जो आप
00:05:57क्वालिटी बनाए रखने के लिए कर सकते हैं। तो मुझे क्वांटाइजेशन के अपने विवरण पर काफी अच्छा लग रहा था,
00:06:04और तभी 2 करोड़ लोगों ने टर्बो क्वांट देखा, और इसने मेमोरी स्टॉक में एक मिनट के लिए
00:06:12बड़ा फेरबदल ला दिया क्योंकि सबको लगा कि मेमोरी अब बहुत अधिक कुशल होने वाली है
00:06:16और हमें अब फ्लैश मेमोरी की आवश्यकता नहीं है, जो कि गलत था। खैर, यह एक नया
00:06:23क्वांटाइजेशन दृष्टिकोण था, जो इस साल मार्च में लोकप्रिय हुआ था, जो क्वांटाइजेशन के लिए
00:06:29पोलर कोऑर्डिनेट्स का उपयोग करता है और आपको KV कैश को 4 बिट्स तक क्वांटाइज करने की अनुमति देता है। यह बहुत ट्रेंडिंग था और
00:06:36मुझे लगा कि अरे यार, यह पूरा विषय तो मुझसे छूट ही गया, अब यह सब कैसा दिखेगा?
00:06:43और इसलिए हमारी टीम ने इस पर काफी शोध किया, अगर आप ट्विटर पर वाटरलू
00:06:50इंटरन को जानते हैं, जो हमारी मॉडल परफॉरमेंस टीम के अली हैं, मुझे पक्का नहीं पता कि वह अभी भी इंटरन हैं या नहीं,
00:06:57लेकिन हाँ, वह वाटरलू से हैं। तो उन्होंने टर्बो क्वांट के पीछे के गणित पर एक बेहतरीन लेख लिखा।
00:07:04और मूल रूप से, टर्बो क्वांट से आपको जो लाभ मिलता है वह यह है कि आप 8 बिट्स के बजाय 4 बिट्स से
00:07:09KV कैश को दर्शाते हैं। आप आधी जगह और आधी बैंडविड्थ बचाते हैं और प्रभावी रूप से
00:07:14दोगुनी बैंडविड्थ पाते हैं जब आप सिस्टम मेमोरी में KV कैश को स्थानांतरित करते हैं। लेकिन इसकी एक बड़ी कमी भी है।
00:07:21टर्बो क्वांट के लिए, डिकोड के दौरान इसे संभालने के लिए आपको फॉरवर्ड पास में अतिरिक्त गणना करने की
00:07:25आवश्यकता होती है और यह TPS को आधे से भी कम कर देता है, जो प्रोडक्शन के कई उपयोगों के लिए स्वीकार्य नहीं है।
00:07:32इसलिए हमने टर्बो क्वांट को गहराई से समझा, लेकिन वास्तविक कार्यभार के लिए
00:07:38हम इसका उपयोग नहीं कर रहे हैं। हम अभी भी पारंपरिक NVFP4 क्वांटाइजेशन पर ही निर्भर हैं।
00:07:44फिर भी, यह लोकल इन्फरेंस इस्तेमाल करने वालों के लिए एक बेहतरीन तकनीक है। यदि आप कोई मॉडल चला रहे हैं,
00:07:51विशेष रूप से अपने स्थानीय कंप्यूटर या बेसमेंट में रखे GPU पर एक लंबा कांटेक्स्ट भाषा मॉडल,
00:07:58तो आपके पास बहुत सीमित मेमोरी होती है, जो सबसे बड़ी बाधा है। इसलिए KV कैश से मेमोरी खाली करने वाली
00:08:04और लंबे अनुक्रमों को रखने की अनुमति देने वाली कोई भी तकनीक बहुत मूल्यवान होगी,
00:08:09और अतिरिक्त फॉरवर्ड पास की गणना उतनी बड़ी कमी नहीं लगेगी।
00:08:16फिर भी, टर्बो क्वांट एक शानदार शोध पत्र है, एक बेहतरीन तकनीक है जो डेटा सेंटर इन्फरेंस
00:08:22की दुनिया में उतनी लागू नहीं हो पाई जितनी शुरू में लगी थी। इसके बजाय,
00:08:28हमारा ध्यान KV कैश के बजाय वेट्स को क्वांटाइज करने पर केंद्रित NVFP4 पर है,
00:08:36हम क्वांटाइज्ड वेट्स की कमियों को दूर करने की पूरी कोशिश कर रहे हैं ताकि यह सुनिश्चित हो सके कि हम KV कैश
00:08:41के प्रोबबिलिटी डिस्ट्रीब्यूशन को न बिगाड़ें। इसके बजाय KV-अवेयर राउटिंग, KV ऑफलोडिंग और KV शेयरिंग पर ध्यान केंद्रित कर रहे हैं,
00:08:49सिस्टम में KV कैश को स्थानांतरित करने के लिए NCCL और NVIDIA Dynamo जैसे उपकरणों का उपयोग कर रहे हैं
00:08:55और इसे कंप्रेस करने के लिए टर्बो क्वांट का उपयोग करने के बजाय साधारण CPU मेमोरी आदि में ऑफलोड कर रहे हैं।
00:09:04और हम विभिन्न मॉडैलिटीज़ में क्वांटाइजेशन पर भी ध्यान केंद्रित कर रहे हैं, ताकि
00:09:11हम न केवल भाषा मॉडलों बल्कि इमेज और वीडियो मॉडलों पर भी NVFP4 के लाभों को कैसे लागू कर सकें।
00:09:17अली ने ट्विटर पर इसके बारे में बहुत सारी शानदार चीजें लिखी हैं, जिन्हें आपको ज़रूर देखना चाहिए।
00:09:23बहरहाल, KV कैश अभी भी बहुत महत्वपूर्ण है और आइए इसके बारे में बात करते हैं, आइए KV कॉम्पैक्शन के बारे में बात करते हैं।
00:09:29एक त्वरित पुनरावलोकन: KV कैश में यदि आप समान प्रिफिक्स के साथ वही प्रॉम्प्ट डालते हैं, तो आप उन टोकन का पुनः उपयोग
00:09:35कर सकते हैं जिन्हें आपने पिछली बार प्री-फिल पर कैलकुलेट किया था। यह आपके पूरे सिस्टम को तेज और अधिक कुशल बनाता है।
00:09:42व्यापक रूप से कहें तो, KV कैश लॉसलेस मेमोरी है। जब हम अपने इन्फरेंस सिस्टम के बारे में
00:09:48सोचते हैं, तो लॉसलेस मेमोरी के केवल कुछ ही स्रोत होते हैं। आपके पास प्रॉम्प्ट की सामग्री, कांटेक्स्ट और KV कैश होता है
00:09:55और यह आपके द्वारा पास किए गए डेटा की मात्रा के साथ रैखिक रूप से बढ़ेगा। और अब यदि आप
00:09:5910 लाख टोकन अनुक्रम की लंबाई के बारे में सोच रहे हैं, तो यह वास्तव में काफी बड़ा हो जाता है। इसलिए बहुत से लोग सोच रहे हैं
00:10:05कि मेमोरी को कैसे कंप्रेस किया जाए, कांटेक्स्ट को कैसे कंप्रेस किया जाए। एजेंट हार्नेस कांटेक्स्ट को कंप्रेस करेंगे, लेग
00:10:11सर्च और ये सभी तकनीकें जिनके बारे में हम वर्षों से बात कर रहे हैं, एक बड़े कांटेक्स्ट को
00:10:17ऐसी चीज़ में कंप्रेस करने जैसा है जिसे आप मॉडल को दे सकें या फाइलों में लिख सकें। ये सभी चीज़ें
00:10:22उपलब्ध डेटा की मात्रा की तुलना में उप-रैखिक रूप से बढ़ती हैं। लेकिन क्या होगा यदि कोई बीच का रास्ता हो? क्या होगा यदि ऐसा कोई तरीका हो
00:10:28जिससे आप लगभग बिना किसी जानकारी के नुकसान के, याद रखे जाने वाले डेटा में काफी हद तक कंप्रेशन हासिल कर सकें?
00:10:34तो, हमारे पास यह सोचने के कई अलग-अलग तरीके हैं कि कैश में क्या रखा जाए।
00:10:41हाल के कॉम्पैक्शन तरीकों ने दिखाया है कि हम कैश को बहुत छोटे कैश से बदल सकते हैं।
00:10:47छोटा कर सकते हैं। हमारे पास अटेंशन मैचिंग और कार्ट्रिज जैसे पेपर हैं जिन्होंने
00:10:53उच्च कम्प्रेशन रेशियो के साथ बहुत आशाजनक परिणाम दिए हैं। लेकिन ये दोनों इन्फरेंस के समय चलते हैं। फिर से, तकनीकों में से एक
00:11:00जिसके बारे में मैं बात करना चाहता हूँ या जिन विषयों पर मैं बात करना चाहता हूँ, वह है इन्फरेंस के लिए ट्रेनिंग। तो इस मामले में
00:11:05मैं 'स्टिल' नाम की चीज़ पेश करना चाहता हूँ, जिसे बेस 10 रिसर्च टीम ने बनाया है, जहाँ कैश के ऊपर सिंथेसिस होता है
00:11:12जहाँ हम सीधे जानकारी या उसके किसी डिटरमिनिस्टिक सबसेट को रखने के बजाय जानकारी का एक सीखा हुआ रिप्रेजेंटेशन रखते हैं,
00:11:17जो ट्रेनिंग के ज़रिए अमॉर्टाइज्ड होता है। तो हमारी पोस्ट-ट्रेनिंग टीम के चार्ली और मुदित ने
00:11:25हाल ही में कोसा कंपाइल में एक शानदार चौक टॉक दी थी। यह यूट्यूब पर उपलब्ध है, मैं
00:11:31आपसे आग्रह करूँगा कि अगर आप केवी कॉम्पैक्शन के बारे में जानने में रुचि रखते हैं तो इसे ज़रूर देखें। दुर्भाग्य से मेरे पास
00:11:37यहाँ सब कुछ समझाने का समय या प्रतिभा नहीं है, लेकिन इसका मूल तंत्र यह है
00:11:46कि स्टिल एक परसीवर बॉटलनेक है, जो सीखे हुए क्वेरी वैक्टर्स के एक फिक्स्ड सेट को लेता है, उसे पूरे केवी कैश के साथ
00:11:53क्रॉस-अटेंड करता है और एक ही फॉरवर्ड पास में कॉम्पैक्ट कीज़ और वैल्यूज़ का एक सेट तैयार करता है।
00:11:59यह एक तेज़, डिफरेन्शिएबल कंप्रेस्ड मेमोरी बनाता है जिस पर एलएलएम ध्यान दे सकता है मानो यह वास्तविक कॉन्टेक्स्ट हो।
00:12:05तो अगर आप केवी कॉम्पैक्शन में रुचि रखते हैं, तो चार्ली और मुदित के काम को ज़रूर देखें।
00:12:09इसके बारे में सीखना वाकई बहुत शानदार रहा है। तो यह उन तकनीकों में से दो हैं जिनके बारे में हमने बात की है,
00:12:16हमने क्वांटाइजेशन और कैशिंग की बात की है। आखिरी तकनीक स्पेक्यूलेशन है, और इसमें काफी बदलाव आया है।
00:12:21रिव्यू के तौर पर, स्पेक्यूलेटिव डिकोडिंग में हम ड्राफ्ट टोकन्स का उपयोग करने जा रहे हैं, हम फॉरवर्ड पास के दौरान उन्हें वेरीफाई करेंगे
00:12:29और इसका उपयोग प्रति फॉरवर्ड पास एक से अधिक टोकन जनरेट करने के लिए करेंगे।
00:12:34यह प्रति सेकंड टोकन में बहुत मदद करता है और यह पूरी तरह से लॉसलेस ऑप्टिमाइजेशन है, जो बढ़िया है क्योंकि
00:12:40हमें क्वालिटी की बिल्कुल चिंता करने की ज़रूरत नहीं है। अब स्पेक्यूलेशन के इतिहास की बात करें तो हमने
00:12:46स्पेक्यूलेटिव डिकोडिंग से शुरुआत की, ये सभी किताब में हैं। आपके पास स्पेक-डेक है जहाँ आप ड्राफ्ट टोकन जनरेट करने के लिए
00:12:52उसी फैमिली के एक छोटे मॉडल का उपयोग करते हैं। पता चला कि छोटे मॉडल अच्छे ड्राफ्ट टोकन जनरेटर नहीं होते हैं,
00:12:58वे बस अच्छे छोटे मॉडल होते हैं। इसलिए एक इंडस्ट्री के रूप में हमने मेदुसा जैसे कई नए तरीकों का आविष्कार किया, जहाँ
00:13:04शायद आप मॉडल में सिर्फ डिकोडर हेड्स जोड़ते हैं, और अंततः ईगल 3 आया, जो यह था कि क्या हो
00:13:09अगर उसी फैमिली से एक छोटा मॉडल लेने के बजाय, हम वास्तव में ड्राफ्ट टोकन जनरेट करने के लिए टारगेट मॉडल के हिडन स्टेट्स पर
00:13:15एक बिलियन पैरामीटर मॉडल को ट्रेन करें? और उसने वास्तव में बहुत अच्छी तरह काम किया। और इसलिए
00:13:21शायद पिछले साल या इस साल फरवरी तक, ईगल 3 स्पेक्यूलेशन में सबसे बेहतरीन तरीका था।
00:13:27अब हमारे पास डीफ्लैश आ गया है। डीफ्लैश और भी बेहतर है। तो यह स्पेक्यूलेशन के लिए डिफ्यूजन है; डीफ्लैश
00:13:36एक सिंगल टोकन के बजाय ड्राफ्ट टोकन्स की एक सीक्वेंस बनाता है। तो यह मॉडल एक डिफ्यूजन लैंग्वेज मॉडल है, जिसका
00:13:43मतलब है कि यह ठीक उसी तरह टोकन्स की एक पूरी सीक्वेंस बनाता है जैसे वीडियो या इमेज जनरेशन फ्रेम्स या
00:13:49पिक्सेल की सीक्वेंस बनाता है और ऑटो-रिग्रेसिव टोकन जनरेशन करने के बजाय उस पर इटरेट करता है।
00:13:55डीफ्लैश मॉडल चलाने में दो या चार गुना धीमे हो सकते हैं, लेकिन वे उस विंडो में एक बार में
00:14:01आठ या 16 टोकन प्रेडिक्ट करेंगे, जबकि ईगल एक बार में केवल एक ही करता है। इसलिए एक सिंगल डीफ्लैश
00:14:08फॉरवर्ड पास पूरे ईगल ड्राफ्ट फेज़ से तेज़ होता है और अधिक टोकन प्रेडिक्ट करता है। ये टोकन
00:14:14एक-दूसरे के साथ क्रॉस-अटेंड कर सकते हैं और आमतौर पर उच्च एक्सेप्टेंस रेट प्रदान करते हैं, क्योंकि स्पेक्यूलेशन में एक्सेप्टेंस
00:14:21रेट ही सब कुछ है। तो व्यावहारिक उपयोग में हम डीफ्लैश से 3 गुना से अधिक का सुधार देख रहे हैं। इसे
00:14:30एक सिंगल B200 Qwen38B के साथ मापा गया है और हम देख सकते हैं कि ईगल की तुलना में टोकन एक्सेप्टेंस रेट
00:14:40और प्रति सेकंड टोकन दोनों में काफी बड़ा सुधार हुआ है। इन डीफ्लैश मॉडल्स को बाईडायरेक्शनल ड्राफ्टिंग के लिए
00:14:47एक अटेंशन मास्क के साथ ट्रेन किया जाता है, इसलिए टारगेट मॉडल कॉन्टेक्स्ट प्रदान करेगा।
00:14:54हमारे पास क्लीन टोकन का एक सबसेट होगा जो सैंपल किए जाते हैं, और अटेंशन मास्क
00:14:59कॉज़ल कंसिस्टेंसी लागू करेगा, लेकिन फिर भी यह बायडायरेक्शनल अटेंशन की अनुमति देगा,
00:15:06जबकि एक पारंपरिक ऑटोरिग्रेसिव मॉडल में आप केवल एक ही दिशा में टोकन देखते हैं। इसलिए हम
00:15:13इस डिफ्यूज़न-बेस्ड आर्किटेक्चर का लाभ उठाने में सक्षम हैं। और फिर मुझे लगा कि मेरा काम
00:15:19पूरा हो गया है, पर कुछ दिन पहले ही DSpark सामने आया। अब dflash तो प्रोडक्शन में चालू है,
00:15:25लेकिन DSpark एक नई रिसर्च है। तो इसके बारे में मैं बस यही कह सकता हूँ कि यह मौजूद है, काफी कूल है, और हम
00:15:31इस पर ध्यान दे रहे हैं। dflash की तुलना में अंतर यह है कि इसमें भी डिफ्यूज़न मॉडल है, पर यह इसे
00:15:38एक सीक्वेंसियल मॉडल के साथ जोड़ता है। विचार यह है कि हम एक्सेप्टेंस रेट में सुधार करेंगे
00:15:45केवल इटेरेटिव स्पेक्युलेटर, केवल डिफ्यूज़न स्पेक्युलेटर
00:15:51या केवल ऑटोरिग्रेसिव स्पेक्युलेटर के बजाय इन दोनों मॉडलों को एक साथ काम में लाकर। तो DSpark काफी रोमांचक है,
00:15:57लेकिन अभी शेयर करने के लिए हमारे पास इसके कोई प्रोडक्शन परिणाम नहीं हैं। उम्मीद है अगली बार होंगे।
00:16:03लेकिन हमारे पास कंटीन्यूअस स्पेक्युलेटर रीट्रेनिंग पर प्रोडक्शन परिणाम ज़रूर हैं। तो यहाँ हम
00:16:09वापस dflash पर आते हैं। विचार यह है कि स्पेक्युलेटिव डिकोडिंग
00:16:15आपके सिस्टम में प्रॉम्प्ट्स और रिस्पॉन्स्स के वास्तविक कंटेंट पर काफी निर्भर करती है। और इसलिए यदि आप
00:16:21अपने लाइव सिस्टम में उन प्रॉम्प्ट्स और रिस्पॉन्स्स पर लगातार रीट्रेनिंग कर रहे हैं, तो आप टोकन एक्सेप्टेंस रेट्स में
00:16:2920% से लेकर 2 गुना तक का सुधार देख सकते हैं। यह वास्तव में करना काफी कठिन है, इसमें बहुत अधिक
00:16:36स्टोरेज लगता है और आपको यह सुनिश्चित करना होगा कि आपके पास इस तरह से डेटा का उपयोग करने की अनुमति है
00:16:40जिससे आप इसे प्रोसेस कर रहे हैं। इसमें भारी मात्रा में कंप्यूट लगता है और आपको इस सारी जानकारी को ट्रांसफर करना पड़ता है,
00:16:46और यदि आप अंतर्निहित मॉडल बदलते हैं, तो आपको स्पेक्युलेटर मॉडल भी बदलना होगा। लेकिन जब मैं भविष्य की ओर देखता हूँ,
00:16:51भविष्य की ओर देखते हुए, मुझे लगता है कि बहुत बड़े पैमाने के सिस्टम के लिए निरंतर स्पेक्यूलेशन
00:16:58एक बेहतरीन ऑप्टिमाइजेशन होगा। तो इन्फेरेंस में आगे क्या होने वाला है? जो मैं कहने जा रहा हूँ, वह मेरी व्यक्तिगत राय, अनुमान
00:17:06और सार्वजनिक जानकारी पर आधारित है। अगर मुझे वास्तव में किसी नई रिलीज़ के बारे में पता होता, तो मैं उसके बारे में बात नहीं कर पाता।
00:17:11तो यह सिर्फ वो है जो मुझे लगता है कि होने वाला है। मैं hardware के तीन चक्रों से गुजर चुका हूँ—
00:17:17Ampere रिलीज़, Hopper रिलीज़ और Blackwell रिलीज़। और हमेशा इसमें समय लगता है,
00:17:23इन चिप्स के शिप होने से लेकर डेटा सेंटर्स में इंस्टॉल होने तक, और पूरे सॉफ्टवेयर स्टैक द्वारा
00:17:30इनकी क्षमताओं का सही मायने में फायदा उठाने में समय लगता है। लेकिन कुछ बातें जिन्हें लेकर मैं उत्साहित हूँ,
00:17:36वह यह है कि Rubin के साथ NVFP4 का परफॉर्मेंस शानदार होने वाला है।
00:17:44इसलिए जितना अधिक हम लोकल इन्फेरेंस से तकनीकों को अपनाकर NVFP4 डेटा फॉर्मेट में
00:17:49मॉडल चलाने का आत्मविश्वास हासिल करेंगे, उतना ही हम आने वाले Rubin सिस्टम्स के
00:17:54शानदार परफॉर्मेंस का लाभ उठा पाएंगे। मुझे लगता है कि डिसएग्रीगेशन और पूरे सिस्टम स्तर पर
00:18:00कम्युनिकेशन का महत्व लगातार बढ़ता जाएगा। हमें PD डिसएग्रीगेशन से बहुत अच्छे शुरुआती फायदे दिख रहे हैं,
00:18:05और KV कैश डेटा जैसी जानकारी को पूरे सिस्टम में ट्रांसफर करने की क्षमता
00:18:12काफी महत्वपूर्ण होती जाएगी। और जैसा कि मैंने कहा, इन्फेरेंस के लिए ट्रेनिंग का विषय
00:18:17आने वाले समय में इंडस्ट्री पर बड़ा प्रभाव डालता रहेगा। टॉकी के लिए आप सभी का बहुत-बहुत धन्यवाद,
00:18:25टॉक में आने के लिए धन्यवाद। मैं Twitter और LinkedIn पर हूँ, और मैं मुफ़्त किताबें भी बांट रहा हूँ।
00:18:32आप QR कोड स्कैन करके PDF डाउनलोड कर सकते हैं या Base10 बूथ पर आकर “Inference Engineering” की
00:18:37अपनी मुफ़्त कॉपी ले सकते हैं। हमारे पास वहां काफी किताबें हैं, शायद सभी के लिए पर्याप्त होंगी। अगर नहीं, तो कूरियर
00:18:43ऑफिस से और किताबें ले आएगा। तो हाँ, मैं नीचे Base10 बूथ पर मौजूद रहूँगा। आप सभी का बहुत-बहुत धन्यवाद
00:18:48और आपका दिन शुभ हो!
Community Posts
No posts yet. Be the first to write about this video!
Write about this video