服务器仅靠 4 颗 CPU 运行千亿大模型的“算法秘籍”

巨量模型的智能生产力正在逐步渗透到各行各业，但它们的部署和运行通常需要专用的 AI 加速卡，能否在 CPU 上运行千亿大模型，对千行百业智能化转型的深化与普惠至关重要。

日前，浪潮信息研发工程师基于 2U4 路旗舰通用服务器 NF8260G7，通过张量并行、模型压缩量化等技术，解决了通用服务器的 CPU 计算资源不足、内存带宽瓶颈、缺乏大规模并行计算环境等问题，在业内首次实现服务器仅依靠 4 颗 CPU 即可运行千亿参数“源 2.0”大模型。该方案建设成本更低，首次投入可节约 80%以上建设成本，且通用服务器功耗更低，运维更便捷，能够有效降低客户 TCO。

一、大模型推理的硬件需求：内存与带宽的双重考验

当前，大模型的推理计算面临多方面的挑战，制约了大模型服务成本的降低和应用落地。

首先是对内存容量的需求。大模型的推理过程中，需要将全部的模型权重参数、计算过程中的 KV Cache 等数据存放在内存中，一般需要占用相当于模型参数量 2-3 倍的内存空间。随着业界 LLM 的网络架构从 GPT 架构走向 MOE 架构，主流开源模型的尺寸越来越大，千亿及以上参数的模型已经成为主流，运行一个千亿大模型（100B），则需要 200-300GB 的显存空间。

其次是对计算和内存读写带宽的需求。大模型的推理主要分为预填充和解码两个阶段。预填充阶段把 Prompt 一次性输入给模型进行计算，对显存的需求更大；解码阶段，每次推理仅生成 1 个 token，计算访存较低，对内存带宽的需求更大。因此，千亿大模型的实时推理，计算设备需要具备较高的计算能力，以及较高的存储单元到计算单元的数据搬运效率。

NF8260G7 作为一款采用高密度设计的 2U4 路服务器，支持 16TB 大内存容量，配置了 4 颗具有 AMX（高级矩阵扩展）的 AI 加速功能的英特尔至强处理器，内存带宽极限值为 1200GB/s。尽管 NF8260G7 服务器可以轻松满足千亿大模型推理的内存需求，甚至于万亿参数的 MOE 架构大模型推理的内存需求。但是，按照 BF16 的精度计算，千亿参数大模型运行时延要小于 100ms，内存与计算单元之间的通信带宽至少要在 2TB/s 以上。因此，要在 NF8260G7 上实现千亿大模型的高效运行，仅靠硬件升级还远远不够，硬件资源与软件算法协同优化至关重要。

二、张量并行+NF4 量化，实现千亿模型极致优化

Yuan2.0-102B 是浪潮信息发布的新一代基础语言大模型，参数量为 1026 亿，通过提出全新的局部注意力过滤增强机制（LFA：Localized Filtering-based Attention），有效提升了自然语言的关联语义理解能力。

为了尽可能提升 Yuan2.0-102B 模型在 NF8260G7 服务器上的推理计算效率，浪潮信息算法工程师采用了张量并行（tensor parallel）策略。该策略改变了传统 CPU 服务器串行运行的模式，把 Yuan2.0-102B 模型中的注意力层和前馈层的矩阵计算分别拆分到多个处理器，实现同时使用 4 颗 CPU 进行计算加速。然而，张量并行对模型参数的切分粒度较细，要求 CPU 在每次张量计算后进行数据同步，增加了对 CPU 间通信带宽的需求。在传统的使用多个基于 PCIe 互联的 AI 芯片进行张量并行时，通信占比往往会高达 50%，也就是 AI 芯片有 50%的时间都在等待数据传输，极大影响了推理效率。

NF8260G7 服务器的 4 颗 CPU 通过全链路 UPI（Ultra Path Interconnect）总线互连，该设计带来了两个优势：首先，全链路 UPI 互连允许任意两个 CPU 之间直接进行数据传输，减少了通信延迟；其次，全链路 UPI 互连提供了高传输速率，高达 16GT/s（Giga Transfers per second），远高于 PCIe 的通信带宽，保障了 4 颗处理器间高效的数据传输，从而支持张量并行策略下的数据同步需求。

UPI 总线互连示意图

为了进一步提升 Yuan2.0-102B 模型在 NF8260G7 服务器上的推理效率，浪潮信息算法工程师还采用了 NF4 量化技术，来进一步提升推理的解码效率，从而达到实时推理的解码需求。NF4（4 位 NormalFloat）是一种分位数量化方法，适合于正态分布的数据。它通过确保量化区间内输入张量的值数量相等，来实现对数据的最优量化。由于大型语言模型（LLM）的权重通常呈现零中心的正态分布，NF4 量化技术可以通过调整标准差来适配量化数据类型的范围，从而获得比传统的 4 位整数或 4 位浮点数量化（这些量化方法的数据间隔通常是平均分布或指数分布的）更高的精度。

INT4 数据类型与 NF4 数据类型对比

为了进一步压缩 Yuan2.0-102B 模型的权重参数，浪潮信息算法工程师采用了嵌套量化（Double Quant）技术，这是在 NF4 量化基础上进行的二次量化。NF4 量化后，由于会产生大量的 scale 参数，如果使用 32 位浮点数（FP32）存储，会占用大量的内存空间。若以 64 个参数作为一个量化块（block size=64）来计算，对于一个千亿参数的大模型，仅存储 scale 参数就需要额外的 6GB 内存：

(100B/64) * 4 = 6GB

为了减少内存占用，浪潮信息工程师通过将这些 scale 参数量化到 8 位浮点数（FP8），可以显著减少所需的存储空间。在采用 256 为量化块大小（block size=256）的情况下，存储所有 scale 参数所需的额外空间仅为 1.57GB：

（100B/64/256）* 4 + (100B/64) * 1 = 1.57GB

通过嵌套量化，模型的每个权重参数最终仅占用 4 字节的内存空间，这比原始的 FP32 存储方式减少了大量的内存占用，从内存到 CPU 的数据搬运效率提高了 4 倍。这样的优化显著减轻了内存带宽对 Yuan2.0-102B 模型推理解码效率的限制，从而进一步提升了模型的推理性能。

三、高算效，低成本

通过在 NF8260G7 服务器上应用张量并行和 NF4 量化技术，浪潮信息工程师成功实现了千亿大模型 Yuan2.0-102B 的实时推理，根据性能分析（profiling）的结果，可以清晰地看到模型中不同部分的计算时间分布：线性层运行时间占比 50%，卷积运行时间占比 20%，聚合通信时间占比 20%，其它计算占比 10%。在整个推理过程中，计算时间占比达到了 80%，和此前相比，计算时间占比提升 30%，大幅提升了算力利用率。

Yuan2.0-102B 模型推理性能分析（profiling）结果图

浪潮信息基于通用服务器 NF8260G7 的软硬件协同创新，为千亿参数 AI 大模型在通用服务器的推理部署，提供了性能更强，成本更经济的选择，让 AI 大模型应用可以与云、大数据、数据库等应用能够实现更紧密的融合，从而充分释放人工智能在千行百业中的创新活力。