Bilanz der Quelle: Punica hält nur eine Kopie des Basismodells im Speicher und bündelt die Adapter-Berechnung verschiedener Mandanten in einem Segment-GEMM-Kernel. Auf einem festen GPU-Cluster erreicht das System den 12-fachen Durchsatz gegenüber gängigen Serving-Systemen, bei 2 Millisekunden Mehrlatenz je Token.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
