mlc llm

MLC LLM

Motor de implantação da Universal LLM com compilação ML

Comece | Documentação | Blog

Sobre

O MLC LLM é um compilador de aprendizado de máquina e mecanismo de implantação de alto desempenho para modelos de idiomas grandes. A missão deste projeto é permitir que todos se desenvolvam, otimizem e implantem modelos de IA nativamente nas plataformas de todos.

	AMD GPU	Nvidia GPU	Apple GPU	Intel GPU
Linux / vitória	✅ Vulkan, Rocm	✅ Vulkan, Cuda	N / D	✅ Vulkan
macos	✅ Metal (DGPU)	N / D	✅ Metal	✅ Metal (IGPU)
Navegador da web	✅ webgpu e wasm
iOS / iPados	✅ Metal na Apple A-Series GPU
Android	✅ OpenCl na GPU Adreno		✅ OpenCl no Mali GPU

O MLC LLM compila e executa o código no MLCengine-um mecanismo de inferência LLM de alto desempenho unificado nas plataformas acima. O MLCengine fornece API compatível com o OpenAI disponível no servidor REST, Python, JavaScript, iOS, Android, todos apoiados pelo mesmo mecanismo e compilador que continuamos melhorando com a comunidade.

Comece

Visite nossa documentação para começar com a MLC LLM.

• Instalação
• Início rápido
• Introdução

Citação

Por favor, considere citar nosso projeto se achar útil:

 @software { mlc-llm ,
    author = { {MLC team} } ,
    title = { {MLC-LLM} } ,
    url = { https://github.com/mlc-ai/mlc-llm } ,
    year = { 2023-2024 }
}

As técnicas subjacentes do MLC LLM incluem:

Referências (clique para expandir)

 @inproceedings { tensorir ,
    author = { Feng, Siyuan and Hou, Bohan and Jin, Hongyi and Lin, Wuwei and Shao, Junru and Lai, Ruihang and Ye, Zihao and Zheng, Lianmin and Yu, Cody Hao and Yu, Yong and Chen, Tianqi } ,
    title = { TensorIR: An Abstraction for Automatic Tensorized Program Optimization } ,
    year = { 2023 } ,
    isbn = { 9781450399166 } ,
    publisher = { Association for Computing Machinery } ,
    address = { New York, NY, USA } ,
    url = { https://doi.org/10.1145/3575693.3576933 } ,
    doi = { 10.1145/3575693.3576933 } ,
    booktitle = { Proceedings of the 28th ACM International Conference on Architectural Support for Programming Languages and Operating Systems, Volume 2 } ,
    pages = { 804–817 } ,
    numpages = { 14 } ,
    keywords = { Tensor Computation, Machine Learning Compiler, Deep Neural Network } ,
    location = { Vancouver, BC, Canada } ,
    series = { ASPLOS 2023 }
}

@inproceedings { metaschedule ,
    author = { Shao, Junru and Zhou, Xiyou and Feng, Siyuan and Hou, Bohan and Lai, Ruihang and Jin, Hongyi and Lin, Wuwei and Masuda, Masahiro and Yu, Cody Hao and Chen, Tianqi } ,
    booktitle = { Advances in Neural Information Processing Systems } ,
    editor = { S. Koyejo and S. Mohamed and A. Agarwal and D. Belgrave and K. Cho and A. Oh } ,
    pages = { 35783--35796 } ,
    publisher = { Curran Associates, Inc. } ,
    title = { Tensor Program Optimization with Probabilistic Programs } ,
    url = { https://proceedings.neurips.cc/paper_files/paper/2022/file/e894eafae43e68b4c8dfdacf742bcbf3-Paper-Conference.pdf } ,
    volume = { 35 } ,
    year = { 2022 }
}

@inproceedings { tvm ,
    author = { Tianqi Chen and Thierry Moreau and Ziheng Jiang and Lianmin Zheng and Eddie Yan and Haichen Shen and Meghan Cowan and Leyuan Wang and Yuwei Hu and Luis Ceze and Carlos Guestrin and Arvind Krishnamurthy } ,
    title = { {TVM}: An Automated {End-to-End} Optimizing Compiler for Deep Learning } ,
    booktitle = { 13th USENIX Symposium on Operating Systems Design and Implementation (OSDI 18) } ,
    year = { 2018 } ,
    isbn = { 978-1-939133-08-3 } ,
    address = { Carlsbad, CA } ,
    pages = { 578--594 } ,
    url = { https://www.usenix.org/conference/osdi18/presentation/chen } ,
    publisher = { USENIX Association } ,
    month = oct,
}