Documentación de Oracle Cloud Infrastructure

Meta Llama 3.3 (70B)

Revise las referencias de rendimiento para el modelo meta.llama-3.3-70b-instruct (Meta Llama 3.3 (70B)) alojado en una unidad Large Generic de un cluster de IA dedicado en OCI Generative AI.

  • Consulte los detalles del modelo y revise las siguientes secciones:
    • Regiones disponibles para este modelo.
    • Clusters de IA dedicados para alojar este modelo.
  • Revise las métricas.

Longitud aleatoria

Este escenario imita los casos de uso de generación de texto en los que se desconoce el tamaño de la petición de datos y la respuesta con antelación. Debido a las longitudes de respuesta y petición de datos desconocidas, hemos utilizado un enfoque estocástico donde tanto la longitud de la petición de datos como la de la respuesta siguen una distribución normal. La longitud de la petición de datos sigue una distribución normal con una media de 480 tokens y una desviación estándar de 240 tokens. La longitud de respuesta sigue a una distribución normal con una media de 300 tokens y una desviación estándar de 150 tokens.

Simultaneidad Velocidad de inferencia a nivel de token (token/second) Rendimiento a nivel de token (token/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM)
1 53,62 52,71 5,43 10,97
2 52,65 102,99 5,48 21,65
4 52,06 205,56 5,58 42,61
8 51,06 393,93 5,68 82,31
16 46,755 715,89 6,08 152,11
32 39,55 1.152,97 7,8 228,8
64 31,22 1.663,88 9,36 353,91
128 23 2.055,51 13,94 433,91
256 17,44 1.873,44 22,85 427,95

Chat

Este escenario abarca casos de uso de chat y diálogo en los que la petición de datos y las respuestas son cortas. La petición de datos y la longitud de respuesta se fijan a 100 tokens.

Simultaneidad Velocidad de inferencia a nivel de token (token/second) Rendimiento a nivel de token (token/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM)
1 53,62 52,6 1,89 31,56
2 52,63 102,67 1,93 61,6
4 53,06 205,27 1,93 123,16
8 52,47 394,66 1,97 236,79
16 49,27 715,55 2,11 429,33
32 42,71 1.198,53 2,46 719,12
64 37,25 2.017,51 2,9 1.210,76
128 28,28 2.414,71 4,15 1.448,83
256 18,26 2.576,59 7,21 1.545,96

Generación pesada

Este escenario es para casos de uso intensos de generación y respuesta de modelo. Por ejemplo, una descripción larga del trabajo generada a partir de una breve lista de viñetas de elementos. En este caso, la longitud de petición de datos se fija a 100 tokens y la longitud de respuesta se fija a 1.000 tokens.

Simultaneidad Velocidad de inferencia a nivel de token (token/second) Rendimiento a nivel de token (token/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM)
1 53,55 53,21 18,7 3,19
2 52,83 103,1 18,97 6,19
4 53,4 206,18 18,77 12,37
8 53,25 412,36 18,85 24,74
16 51,53 812,24 19,48 48,73
32 45,99 1.447,02 21,861 86,82
64 45,99 2.599,88 23,81 156
128 34,76 4.216,35 29,32 252,98
256 23,72 3.826,77 44,02 229,61

RAG

El escenario de generación aumentada de recuperación (RAG) tiene una petición de datos muy larga y una respuesta corta, como el resumen de casos de uso. La longitud de petición de datos se fija a 2.000 tokens y la longitud de respuesta se fija a 200 tokens.

Simultaneidad Velocidad de inferencia a nivel de token (token/second) Rendimiento a nivel de token (token/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM)
1 53,37 50,55 3,93 15,16
2 51,06 96,43 4,11 28,93
4 48,31 183,35 4,33 55,01
8 41,85 309,97 5,05 92,99
16 33,93 489,93 6,29 146,98
32 23,61 663,3 9,12 198,99
64 18,27 724,11 15,87 217,23
128 18,27 724,07 28,49 217,22
256 18,35 709,78 45,89 212,94