[Docs] 吞吐的提升主要是因为重写了GQA的kernel？

[CSEEduanyu]

📚 The doc issue

feature里有提到：[2024/04] TurboMind latest upgrade boosts GQA, rocketing the internlm2-20b model inference to 16+ RPS, about 1.8x faster than vLLM.
是用fused_multi_head_attention替代了flashattn2的kernel嘛？但是attention也只占整个forward的1/3左右，只是这里的优化能有这么大的收益吗？

Suggest a potential alternative/fix

No response

[CSEEduanyu]

@lzhangzz 大佬能解答一下不咯

[lzhangzz]

是用fused_multi_head_attention替代了flashattn2的kernel嘛？但是attention也只占整个forward的1/3左右，只是这里的优化能有这么大的收益吗？

这只是说优化完了 RPS 到 16+，本来也不慢的

[CSEEduanyu]

是用fused_multi_head_attention替代了flashattn2的kernel嘛？但是attention也只占整个forward的1/3左右，只是这里的优化能有这么大的收益吗？

这只是说优化完了 RPS 到 16+，本来也不慢的

额 那整体吞吐能到VLLM的1.8倍 这个优化主要是哪里带来的呀 大佬求解答~

[lvhan028]

在使用vllm的性能测试脚本的时候，我们发现测试过程中，它的gpu利用率比较低，50%左右
但我们并不清楚是为什么。你可以在vllm社区问下看看。
lmdeploy开发并不是针对vllm做性能调优的，毕竟从一开始，我们的技术框架不一样。所以我们没法回答你“是什么具体原因”使得lmdeploy比vllm快。
我们只能说，我们每个版本加了什么特性，目前的性能是多少，和vllm相比，它的性能目前处在一个什么位置。

[CSEEduanyu]

在使用vllm的性能测试脚本的时候，我们发现测试过程中，它的gpu利用率比较低，50%左右 但我们并不清楚是为什么。你可以在vllm社区问下看看。 lmdeploy开发并不是针对vllm做性能调优的，毕竟从一开始，我们的技术框架不一样。所以我们没法回答你“是什么具体原因”使得lmdeploy比vllm快。 我们只能说，我们每个版本加了什么特性，目前的性能是多少，和vllm相比，它的性能目前处在一个什么位置。

额那你们测的那版vllm可能有问题 vllm推理是纯串行所以满载gpu利用率是在80%多一点 lmdeploy是98% 但是这里也只有20%不到的提升 https://link.zhihu.com/?target=https%3A//docs.google.com/presentation/d/1A--47JAK4BJ39t954HyTkvtfwn0fkqtsL8NGFuslReM/edit%23slide%3Did.g2c91788b9bf_90_531 我看这个vllm的人做的测试 你们的forward随着batch_size的增加 增长率很低 所以这里kernal是否针对大batch做了更高并发的优化呢？我还是感觉主要是kernal的优势

[lvhan028]

你测试的vllm的性能是多少呢？

[lvhan028]

https://www.bentoml.com/blog/benchmarking-llm-inference-backends 这是bentoml评估的结果，也提到了gpu利用率低的问题。

[lvhan028]

Refactor attention and optimize GQA(#1258 #1307 #1116), achieving 22+ and 16+ RPS for internlm2-7b and internlm2-20b, about 1.8x faster than vLLM

这里的 1.8x 是对比的 internlm2-7b，它是 GQA 架构。llama2的MHA架构，大约是 1.4x。

这 3 个PR 是在 0.3.0 版本加入进来的，它们更多的是对代码的重构。LMDeploy 0.3.0 和 LMDeploy 0.2.6 对比，提升的不显著。这也是 @lzhangzz 说的，“本来也不慢的"

[CSEEduanyu]

你测试的vllm的性能是多少呢？

llama2系列 延迟的话都差不多 极限吞吐lm:tgi:vllm=1.6:1.1:1 大概是这个比例 测lm时候是打开promot cache 然后max_batchs_size=256