2025-01-08 21:43 浙江
让模型部署像API调用一样简单
Datawhale方案
团队：无问芯穹大模型服务平台
多个业务微调模型部署，面临成本和管理复杂的挑战
现如今，LoRA 微调技术已经成为许多公司提高模型性能的重要方法。实验表明，针对特定任务进行 LoRA 微调，尤其是在开源基础模型上，可以显著超越像 GPT-4 等闭源模型的效果。
越来越多的企业开始采用 LoRA 微调技术，为特定任务量身定制高效的 AI 模型。例如，在招聘行业，可以针对不同的面试环节，如提问、追问和答疑来训练专门的定制模型。
然而，想要让模型在实际业务场景中发挥最佳效果，就需要不断进行微调和优化，并且逐一部署。多个场景的 LoRA 微调模型会带来更高的复杂度和成本。
100个业务微调模型部署难题:费钱、费时、费力
了解大模型部署的朋友都知道，部署 100 个 7B LoRA 微调模型需要面临巨大的算力、人力以及时间成本。按照传统部署方案，使用开源推理框架，通常需要：
部署成本：100 张 24G 显卡。
部署方式：采用如 vLLM 等推理部署框架，100个 LoRA 微调模型需依次在每一张显卡上部署。
部署周期：部署 100 个 LoRA 微调模型需经历算力申请、审批和 GPU 资源协调等多个环节。根据经验，整个流程可能耗时长达 1 周。
除了显而易见的算力、人员和时间成本，传统部署方案还存在许多“隐形成本”。
资源浪费：100个 LoRA 微调模型，采用传统合并部署方式。假设基模相同，每1次部署会加载1次基础模型，会重复加载99次。若基模加载需2分钟，推理显存14GB，则总部署时长多出3+个小时，额外增加1300+GB显存开销。
资源分配不均：100个 LoRA 微调模型，仅有10%模型调用量高，剩下90%模型调用量低。采用1卡部署1模的模式，既无法保证高调用的响应速度，还让30%+算力出现闲置。每台4090按1万元（包月）计，每月浪费接近4万元。
算法团队负担重：假设这100个 LoRA 微调模型效果不佳，优化后，需花2个算法1个工作日重新部署，约占模型迭代周期工作量10%。
如何解决这些问题，这里分享一个案例。
企业0卡投入下，1小时内轻松部署100个7B微调模型
某知名招聘行业的互联网公司通过与无问芯穹合作，在无需自行采购 100 张 GPU 卡的情况下，2 名算法工程师仅用 1 小时就完成了 100 个 7B LoRA 微调模型的部署，且后续无需专门维护和管理这 100 个模型服务。
无问芯穹Infini-AI异构云平台·大模型服务平台提供了一种操作极简、成本低的解决方案——「Lora自部署模型服务」。
特别推荐使用在以下场景：
业务场景多样化：业务场景较多，并且每个场景都需要根据其特定数据进行微调生成一份自己的大模型。
调用量较小：每个业务场景的调用量相对较少，那么单独为每个场景部署一份大模型的成本将显得很高。
1. 模型部署像API一样简单，降低部署复杂性
只需上传 LoRA 文件并选择基础模型，最快 5 秒内即可完成 1 个 7B LoRA 微调模型的部署，让模型部署像调用 API 一样简单。
2. 无需采购GPU，降低大规模部署成本
并且能够让算法工程师在 1 小时内完成 100 个模型的部署， 1 天内完成优化后的效果评估。与此同时，按模型调用的 Token 数量计费模式，免去了企业购置 100 张 GPU 卡的成本压力，显著降低了算力投入。
3、根据流量自动调整资源分配，资源最大化
成本问题解决后，又如何在 100 个 LoRA 微调模型服务中保证 10% 高调用模型的响应速度？「LoRA自部署模型服务」还支持弹性自动扩缩容，可根据流量自动调整资源分配，确保高调用模型的响应速度。
此外，模型部署完成后，无需专人管理和维护这100个 LoRA 微调模型服务，无问芯穹Infini-AI异构云平台·大模型服务平台将为您提供托管服务。
我也有需求，希望有定制解决方案
无问芯穹成立于 2023 年 5 月，由清华大学电子工程系教授、系主任汪玉教授发起，清华大学电子系博士毕业的夏立雪任联合创始人和 CEO。
无问芯穹Infini-AI异构云平台·大模型服务平台「LoRA自部署模型服务」为企业提供了一种操作极简、成本低的部署方式，让模型落地将不再受高昂部署成本、低资源利用率以及反复部署的困扰。
扫码或点击阅读原文 提交需求，无问芯穹会一对一对接您的需求！
