Documentação do Oracle Cloud Infrastructure

Meta Llama 3.1 (70B)

Revise os benchmarks de desempenho do modelo meta.llama-3.1-70b-instruct (Meta Llama 3.1 (70B)) hospedado em uma unidade Large Generic de um cluster de IA dedicado na OCI Generative AI.

Comprimento aleatório

Esse cenário imita casos de uso de geração de texto em que o tamanho do prompt e da resposta é desconhecido antecipadamente. Por causa dos comprimentos de prompt e resposta desconhecidos, usamos uma abordagem estocástica em que tanto o comprimento de prompt quanto o comprimento de resposta seguem uma distribuição normal. O comprimento do prompt segue uma distribuição normal com uma média de 480 tokens e um desvio padrão de 240 tokens. O comprimento da resposta segue uma distribuição normal com uma média de 300 tokens e um desvio padrão de 150 tokens.

Simultânea Velocidade de Inferência no Nível do Token (token/segundo) Throughput no nível do token (token/segundo) Latência no nível da solicitação (segundo) Throughput no nível da solicitação (Solicitação por minuto) (RPM)
1 95,5 51,58 6,12 9,78
2 92,25 98,89 6,44 18,53
4 90,51 184,54 7,37 30,67
8 83,38 326,71 7,64 57,06
16 71,45 509,03 8,77 90,02
32 58,48 724,23 10 138,82
64 44,74 1.146,92 14,07 206,58
128 27 1.434,57 22,48 268,58
256 18,03 1.635,95 41,06 309,97

Chat

Esse cenário abrange casos de uso de chat e diálogo em que o prompt e as respostas são curtos. O prompt e o tamanho da resposta são fixados em 100 tokens.

Simultânea Velocidade de Inferência no Nível do Token (token/segundo) Throughput no nível do token (token/segundo) Latência no nível da solicitação (segundo) Throughput no nível da solicitação (Solicitação por minuto) (RPM)
1 97,11 51,67 1,98 30,14
2 95,38 99,17 2,04 57,87
4 93,91 183,96 2,1 107,5
8 89,79 318,53 2,23 186,09
16 81,05 506,12 2,47 294,03
32 64,15 909,4 3,18 530,15
64 50,35 1.405,67 4,08 818,96
128 33,59 1.786,6 6,26 1.040,74
256 18,77 1.866,83 11,43 1.086,94

Geração pesada

Esse cenário é para casos de uso pesados de resposta de geração e modelo. Por exemplo, uma descrição longa do cargo gerada a partir de uma lista curta de itens. Nesse caso, o comprimento do prompt é fixado em 100 tokens e o comprimento da resposta é fixado em 1.000 tokens.

Simultânea Velocidade de Inferência no Nível do Token (token/segundo) Throughput no nível do token (token/segundo) Latência no nível da solicitação (segundo) Throughput no nível da solicitação (Solicitação por minuto) (RPM)
1 95,37 52,01 19,56 3,07
2 92,77 101,29 20,04 5,98
4 91,6 191,83 20,34 11,32
8 86,83 338,87 21,51 19,97
16 78,12 547,34 23,92 32,23
32 64,77 1.111,24 28,91 65,46
64 50,52 1.722,11 37,23 101,48
128 31,29 2.123,49 60,17 125,12
256 14,93 2.002,12 126,87 117,98

RAG

O cenário de geração aumentada de recuperação (RAG) tem um prompt muito longo e uma resposta curta, como resumir casos de uso. O comprimento do prompt é fixado em 2.000 tokens e o comprimento da resposta é fixado em 200 tokens.

Simultânea Velocidade de Inferência no Nível do Token (token/segundo) Throughput no nível do token (token/segundo) Latência no nível da solicitação (segundo) Throughput no nível da solicitação (Solicitação 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