大型語言模型（LLM）在系統(tǒng)級優(yōu)化中的新進展

近年來，大型語言模型（LLM）在解決復雜問題的推理能力方面取得了顯著進展，使其能夠有效管理數(shù)千種工具和API調用。這些改進釋放了它們在大規(guī)模系統(tǒng)中的潛力，包括UI/網(wǎng)絡界面、移動應用程序、SQL后端和遠程感應平臺。這些用途通過需要集成各種API來加載、過濾、處理和跨多個時間和空間維度可視化數(shù)據(jù)，體現(xiàn)了系統(tǒng)級的復雜性。

隨著Copilots規(guī)模的擴大，底層堆棧的開銷從云端點到本地執(zhí)行設備都在增加，這促使我們從根本上改變設計基于LLM的大規(guī)模系統(tǒng)和軟件的方式。然而，早期的系統(tǒng)優(yōu)化主要針對簡化的查詢或定義良好的基準，可能無法捕捉系統(tǒng)級任務模式和數(shù)據(jù)依賴性的細微差別。在現(xiàn)實的LLM工作負載中，數(shù)據(jù)顯示出顯著的可重用性。例如，一個地理空間分析師可能會問：“顯示加州紐波特海灘周圍的衛(wèi)星圖像。”隨后的提示是“現(xiàn)在，在這個區(qū)域檢測飛機”，這展示了一個數(shù)據(jù)元素被反復訪問的場景。

在這項工作中，我們從類似于CPU緩存系統(tǒng)中觀察到的時間和空間可重用性模式中汲取靈感，我們引入了LLM-dCache，一種GPT驅動的緩存策略，用于優(yōu)化LLM數(shù)據(jù)訪問模式。我們的關鍵直覺在于一種新穎的設計選擇，其中緩存管理無縫集成為LLM可用的工具之一，實現(xiàn)了與現(xiàn)有的函數(shù)調用機制和基線代理兼容的完全GPT驅動的即插即用方法，同時施加最小的開銷。通過在大規(guī)模地理空間平臺上的評估，我們證明了我們的方法在不同的GPT和提示技術中實現(xiàn)了LLM延遲的減少。我們希望這些發(fā)現(xiàn)能激勵進一步探索賦予LLM其他系統(tǒng)級優(yōu)化的可能性。

論文標題：LLM-dCache: Improving Tool-Augmented LLMs with GPT-Driven Localized Data Caching

機構：Microsoft Corporation, USA; Southern Illinois University, USA; University of Pittsburgh, USA

論文鏈接：https://arxiv.org/pdf/2406.06799.pdf

LLM-dCache的概念與設計動機

1. 從CPU緩存系統(tǒng)中獲取靈感

LLM-dCache的設計靈感來源于CPU緩存系統(tǒng)，特別是其對時間和空間可重用性模式的利用。在CPU緩存中，頻繁訪問的數(shù)據(jù)被存儲在快速訪問的硬件中，以減少數(shù)據(jù)檢索時間和提高處理效率。類似地，LLM-dCache旨在通過緩存經(jīng)常被重新訪問的數(shù)據(jù)來優(yōu)化大型語言模型（LLM）的數(shù)據(jù)訪問模式，從而減少延遲并提高系統(tǒng)效率。

2. 針對大規(guī)模系統(tǒng)的緩存策略

在大規(guī)模系統(tǒng)中，如地理空間平臺，數(shù)據(jù)的重用性顯著，例如在連續(xù)的查詢中多次訪問相同的衛(wèi)星圖像數(shù)據(jù)。LLM-dCache通過將緩存操作集成為LLM可調用的API工具，使得緩存管理能夠無縫地融入到LLM的操作中。這種設計不僅適應了大規(guī)模數(shù)據(jù)處理的需求，還通過減少對主存儲的訪問需求，顯著提高了任務處理速度。

緩存操作的集成與實現(xiàn)

1. 緩存讀取操作

在LLM-dCache中，緩存讀取操作被設計為GPT的一部分決策過程。當LLM接收到用戶查詢時，它會檢查當前的緩存內容，并決定是否執(zhí)行緩存加載工具。例如，如果用戶請求的數(shù)據(jù)已經(jīng)存在于緩存中，則LLM會直接從緩存中讀取數(shù)據(jù)，而不是重新從數(shù)據(jù)庫或其他存儲系統(tǒng)加載。

2. 緩存更新策略

LLM-dCache采用最近最少使用（LRU）策略作為主要的緩存更新策略，并通過GPT來動態(tài)管理緩存更新。在每輪操作中，GPT根據(jù)當前的緩存狀態(tài)和新的數(shù)據(jù)加載操作，決定如何更新緩存。這種策略不僅優(yōu)化了緩存的使用效率，還減少了因緩存不命中而重新加載數(shù)據(jù)的需要。

3. GPT工具作為緩存操作的實現(xiàn)

將緩存功能作為GPT工具的一部分，簡化了緩存操作的實現(xiàn)，并使其與平臺無關。這種方法不僅減少了需要進行的更改，還允許LLM自主管理緩存操作，從而在出現(xiàn)緩存未命中時，LLM可以重新評估其工具序列，以實時糾正工具選擇中的不準確性。這種動態(tài)適應性是系統(tǒng)優(yōu)化中的關鍵。

實驗設置與數(shù)據(jù)集

1. GeoLLM-Engine平臺介紹

GeoLLM-Engine是一個大規(guī)模的、可參數(shù)化的LLM引擎，專門用于處理地理空間任務。該平臺設計用于捕捉代理性能，配備了長期多工具LLM操作，這些操作需要頻繁地檢索和過濾數(shù)據(jù)。平臺還集成了一整套開源API、交互式地圖用戶界面、RAG和數(shù)據(jù)檢索工具，擁有超過110萬張衛(wèi)星圖像。

2. 數(shù)據(jù)集的構建與特點

為了測試GeoLLM-Engine的性能，我們擴展了GeoLLM-Engine采樣器以獲取GeoLLM-Engine-1k數(shù)據(jù)集的變體。通過調整采樣率參數(shù)，并加入控制數(shù)據(jù)重用可能性的參數(shù)，我們選擇性地采樣了80%概率需要已在緩存中的數(shù)據(jù)的提示，構建了一個包含1000個多步驟提示的測試數(shù)據(jù)集（總共約50000個工具調用）。此外，我們還準備了一個包含500個查詢的小型數(shù)據(jù)集用于分析。最后，我們使用模型檢查器模塊來驗證生成任務的功能正確性。

實驗結果與分析

1. 不同配置下的任務完成時間比較

根據(jù)實驗結果，LLM-dCache在不同配置下（包括GPT-4和GPT-3.5，以及Chain-of-Thought和ReAct技術，無論是少數(shù)樣本還是零樣本場景）平均能夠將任務完成時間提高1.24倍（表I）。這表明緩存策略不會降低輸出質量和代理的功能性，代理指標仍在既定的方差范圍內。

2. 緩存策略的有效性分析

通過對不同的緩存策略（LRU、LFU、RR和FIFO）進行分析，我們發(fā)現(xiàn)在數(shù)據(jù)重用率高的情況下，不同策略之間的延遲差異不明顯（表II頂部）。這表明數(shù)據(jù)重用模式而非模型選擇或提示策略是影響性能的主要因素。此外，我們還進行了多個小型驗證子集的分析，每個子集包含500個查詢，但具有不同的重用率，結果顯示更高的重用率與更大的延遲節(jié)省相關。

通過將緩存操作作為GPT工具進行提示，我們的實驗顯示，GPT驅動的緩存操作在性能指標和延遲方面與程序化緩存操作非常接近，這證明了GPT成功執(zhí)行系統(tǒng)優(yōu)化任務的能力（表III）。這種方法展示了LLM在傳統(tǒng)程序化解決方案之外，指導緩存管理的多功能性和潛力。

討論：GPT驅動的緩存操作與傳統(tǒng)編程實現(xiàn)的比較

1. GPT驅動的緩存操作

GPT驅動的緩存操作，如LLM-dCache所示，通過將緩存操作作為可調用的API工具暴露給GPT，使其能夠動態(tài)地讀取和更新緩存數(shù)據(jù)以響應用戶查詢。這種方法允許GPT在上下文提示的幫助下自主管理緩存操作，例如通過提示解釋LRU方案。這種集成方式使得緩存讀取和更新操作成為GPT的決策過程的一部分，從而只需很少的更改。此外，賦予LLM對緩存決策的自主權還能夠處理緩存未命中的情況：在功能調用失敗時，LLM會被提示重新評估其工具序列，就像處理任何其他工具選擇失誤一樣。

2. 傳統(tǒng)編程實現(xiàn)的緩存操作

傳統(tǒng)的編程實現(xiàn)緩存操作通常涉及直接在代碼中硬編碼緩存邏輯，如使用特定的緩存更新策略（LRU、LFU等）和緩存大小限制。這種方法在效率和可靠性方面可以達到很高的標準，因為它直接控制了所有的底層操作，但它缺乏靈活性，并且通常需要針對每個應用程序或系統(tǒng)進行定制。

3. 性能比較

根據(jù)研究，GPT驅動的緩存操作與傳統(tǒng)編程實現(xiàn)的緩存操作在性能指標和延遲方面非常相似，表明GPT能夠成功執(zhí)行系統(tǒng)優(yōu)化任務。例如，GPT驅動的變體在緩存“命中率”和延遲方面與完全編程方法相匹配，后者可以被視為效果和可靠性的上限。

限制與未來工作：擴展到更多系統(tǒng)級優(yōu)化和其他計算環(huán)境

1. 限制

當前的研究主要集中在云優(yōu)先環(huán)境中的代理性能和平均延遲上，這涉及到大量使用云端點。雖然這為系統(tǒng)性能提供了一定的基準，但它限制了在不依賴云基礎設施的環(huán)境中的應用廣泛性。此外，目前的實現(xiàn)主要關注地理空間數(shù)據(jù)，這可能限制了其在其他類型的數(shù)據(jù)密集型任務中的應用。

2. 未來工作

為了克服這些限制并進一步提升系統(tǒng)級優(yōu)化的能力，未來的工作將探索將GPT驅動的緩存操作擴展到其他計算環(huán)境，如本地執(zhí)行設備，這可能包括使用能夠在本地運行的GPT替代品，如Llama-3和Phi-3.5。此外，計劃將評估擴展到更廣泛的任務范圍，包括那些在最近的系統(tǒng)級LLM優(yōu)化論文中考慮的正交任務。

通過這些努力，希望能夠進一步利用LLM進行系統(tǒng)級優(yōu)化，以提高復雜數(shù)據(jù)密集型環(huán)境中的系統(tǒng)效率。

總結：LLM-dCache的貢獻與系統(tǒng)級優(yōu)化的潛力

在大型語言模型（LLM）的發(fā)展中，LLM-dCache的引入標志著一個重要的進步，它通過緩存機制優(yōu)化了數(shù)據(jù)訪問模式，顯著提升了系統(tǒng)效率。本章節(jié)將總結LLM-dCache的主要貢獻，并探討其在系統(tǒng)級優(yōu)化中的潛力。

1. LLM-dCache的核心貢獻

LLM-dCache通過將緩存操作作為可調用的API工具集成到LLM中，使得大型語言模型能夠自主管理緩存操作。這種設計不僅減少了對傳統(tǒng)程序邏輯的依賴，還提高了緩存管理的靈活性和效率。例如，在處理地理空間數(shù)據(jù)時，LLM-dCache能夠根據(jù)數(shù)據(jù)的重用模式動態(tài)調整緩存內容，從而減少了數(shù)據(jù)加載時間并提高了任務完成速度。

2. 系統(tǒng)級優(yōu)化的實現(xiàn)

通過將緩存操作嵌入到LLM的決策過程中，LLM-dCache有效地將系統(tǒng)優(yōu)化的決策權下放給了語言模型本身。這一策略不僅簡化了系統(tǒng)設計，還提高了操作的靈活性。在實際應用中，這意味著LLM可以根據(jù)當前的任務需求和數(shù)據(jù)狀態(tài)，自主決定何時讀取或更新緩存，從而優(yōu)化整體的系統(tǒng)性能。

3. 提升任務處理速度和準確性

在多個測試場景中，LLM-dCache顯示出了顯著的性能提升。例如，在地理空間平臺上的評估顯示，通過使用LLM-dCache，任務完成時間平均縮短了1.24倍。此外，緩存策略的優(yōu)化還確保了在不同的模型和提示技術中，輸出的質量和功能性不受影響。

4. 對未來系統(tǒng)級優(yōu)化的啟示

LLM-dCache的成功實施為未來的系統(tǒng)級優(yōu)化提供了新的思路。通過進一步探索和擴展這種以LLM為中心的優(yōu)化策略，我們可以將其應用于更廣泛的任務和環(huán)境中，如動態(tài)電壓頻率調整（DVFS）、核心分配和熱管理等。此外，這種策略的推廣還可能促進其他非GPT工具增強型代理在不同計算環(huán)境中的無縫集成。

總之，LLM-dCache不僅提升了大型語言模型在處理復雜數(shù)據(jù)任務時的效率和靈活性，還展示了利用LLM進行系統(tǒng)級優(yōu)化的巨大潛力。隨著技術的進一步發(fā)展，我們期待看到更多基于LLM的系統(tǒng)優(yōu)化解決方案的出現(xiàn)。

本文轉載自 ??AI論文解讀??，作者：柏企