1.概述

本文主要介绍模型部署和压缩和一些大模型开发。

2. 目标

3. AI应用开发流程

4. 如何降低模型部署成本？

5. 模型压缩技术

5.1 小模型压缩方法

5.2 大模型压缩技术

由于Prefill是一次模型的推理，而Decoding则要反复迭代很多次，优化重点在降低带宽需求，而不是降低计算量

① KV Cache压缩技术

Streaming LLM

FastGen -- 自适应KV cache压缩

MQA与GQA

② 大模型压缩技术

LLM Pruner：高效率大模型剪枝算法

One-shot权重稀疏化：大模型权重稀疏压缩，缓解存储与访存压力

大模型PTQ量化：高效率量化，W8A8、W8A16与W4A16是典型方式

权重低比特量化：INT4量化，模型压缩4倍，提升权重搬运效率

6. 模型压缩工具介绍

ModelSlim

训练加速-模型低秩分解

训练加速-模型稀疏加速训练

推理加速-大模型量化

推理加速-大模型稀疏量化和权重压缩

推理加速-训练后量化(ONNX)

推理加速-训练后量化（MindSpore）

推理加速-模型剪枝

推理加速-模型蒸馏

7. 大模型部署框架介绍

8. 大模型应用开发

8.1 大模型应用开发流程

8.2 为什么需要RAG？

8.3 向量数据库

工作流程：

向量数据库解决的问题：

为什么使用向量数据库？

向量数据库构建

9. 总结

本文主要介绍了模型部署和压缩相关内容以及大模型应用开发，笔试占比6%。