大模型（LLMs）推理面

1. 为什么大模型推理时显存涨的那么多还一直占着？

        1. 首先，序列太长了，有很多Q/K/V；

         2. 其次，因为是逐个预测next token，每次要缓存K/V加速解码。

2. 大模型在gpu和cpu上推理速度如何？

        7B量级下：

        • cpu推理速度约10token/s；

        • 单卡A6000和8核AMD的推理速度通常为 10:1。

3. 推理速度上，int8和fp16比起来怎么样？

        根据实践经验，int8模式一般推理会明显变慢（huggingface的实现）

4. 大模型有推理能力吗？

        大模型有推理能力。有下面2个方面的体现：

        ChatGPT拥有in-context correction的能力，即如果说错了，给出矫正，ChatGPT能“听懂”错在哪儿了，并向正确 的方向修正。in-context correction要比in-context learning难了太多，描述越详细清楚，ChatGPT回答得越好。 要知道，越详细的描述，在预训练的文本里越难匹配到的。

        在询问ChatGPT互联网上并不存在内容的时候，能给出较好答案（如用ChatGPT学建模）；ChatGPT能通过信 息猜你心中的想法；你可以制定一个全新的游戏规则让ChatGPT和你玩，ChatGPT可以理解。

5. 大模型生成时的参数怎么设置？

  生成模型预测调参建议：

         建议去调整下 top_p, num_beams, repetition_renalty, temperature, do_sample=True;

        数据生成有重复，调高repetition_renalty；

         生成任务表达单一的，样本也不多的，可适当调低 temperature，生成的样子跟训练集的比较像；如果要复现训 练集的效果，temperature=0.01即可。

        以上是经验参数，具体调参根据任务而定，不是固定的

• 参数解释：

top_p=0.9,
#Moderately increase the probability threshold of nucleus sampling to increase the
quantity of candidate tokens and increase generation diversity.
temperature=1.0,
#The previous low temperature parameter could lead to a severe polarization in the
probability distribution of generated words, which degenerates the generation
strategy into greedy decoding.
do_sample=True,
#do_sample parameter is set to False by default. After setting to True, the