前言
阿里雲函式計算（Function Compute, FC）是一種無伺服器（Serverless）計算服務，允許使用者在無需管理底層基礎設施的情況下，直接執行程式碼。與傳統的計算架構相比，函式計算具有高靈活性和彈性擴充套件的特點，使用者只需專注於業務邏輯的開發，系統自動處理計算資源的分配、擴充套件和維護。同時，函式計算作為阿里云云產品的粘合劑，可以讓使用者輕鬆的和多種阿里雲服務整合，構建複雜的應用程式。加之函式計算除了提供CPU算力以外，還提供GPU算力，所以這種無縫的計算體驗，使得函式計算非常適合需要彈性擴充套件的AI任務，如模型推理和影像生成，能夠大幅提高效率並降低計算成本。
NVIDIA TensorRT是英偉達為深度學習推理最佳化的高效能庫，廣泛應用於計算機視覺、語音識別等領域。TensorRT透過一系列最佳化手段，如權重量化、層融合和記憶體最佳化，極大提升了模型的推理速度，同時減少了資源消耗。它支援從多種框架（如TensorFlow、PyTorch）匯出的模型，比如文生圖/圖生圖模型和Bert類等語言模型。並在多種硬體平臺上進行加速，使得開發者能夠充分利用GPU的計算能力，快速部署AI應用。
NVIDIA TensorRT-LLM是專為加速大語言模型（LLM，Large Language Models）推理設計的高效能深度學習推理庫，旨在大幅提升推理效率、降低延遲並最佳化GPU利用率。它是TensorRT的擴充套件版本，主要針對大語言模型，具備自動最佳化、記憶體管理和量化的功能，能夠在保持高精度的同時實現極低的推理延遲和高吞吐量。透過TensorRT-LLM，開發者可以在英偉達的硬體平臺上更高效地執行大語言模型，DiT類模型，多模態視覺語言大模型等。
阿里雲函式計算與NVIDIA TensorRT/TensorRT-LLM的合作基於雙方在提效降本方面的共同目標。阿里雲函式計算作為無伺服器架構，憑藉其高靈活性、彈性擴充套件能力以及對GPU算力的支援，為AI任務如模型推理和影像生成提供了高效的計算平臺。而NVIDIA TensorRT/TensorRT-LLM則透過針對大模型的最佳化，顯著提升推理效率、降低延遲，並最佳化GPU利用率。在這種背景下，雙方的合作可謂一拍即合，透過結合阿里雲的無縫計算體驗和NVIDIA的高效能推理庫，開發者能夠以更低的成本、更高的效率完成複雜的AI任務，加速技術落地和應用創新。
Stable Diffusion的推理效率革新
Stable Diffusion是一種基於擴散模型的深度學習架構，廣泛應用於生成高質量影像的任務中。其工作原理是透過逐步將隨機噪聲轉化為清晰的影像，模型在反覆推理過程中將潛在的低質量影像逐漸“清晰化”，直至生成高解析度的最終輸出。與傳統生成模型不同，Stable Diffusion透過在潛在空間進行擴散過程建模，有效減少了計算資源的消耗，同時提升了影像生成的質量和多樣性。
在影像生成領域，Stable Diffusion的重要性體現在其廣泛的應用和出色的生成能力。它不僅可以生成逼真的影像，還能夠在風格化影像、藝術創作、設計和廣告等多個領域中提供創意支援。此外，Stable Diffusion以其開放性和高效性，成為生成模型中的一大創新，推動了AI驅動的創作和設計行業的發展。
基於函式計算大幅降低部署Stable Diffusion應用的複雜性
通常使用者自己構建一套Stable Diffusion應用一般需要四個大的步驟，在每一個步驟中都有不小的工作量和技術門檻。
- 購買GPU資源：眾所周知，SD模型推理是需要使用GPU執行的，所以首先使用者需要先購買GPU卡，除了消費級的30系，40系，還有Ampere系列，Ada系列的專業推理卡，但無論哪種卡，其持有成本都不低。
- 企業使用者，在需求量較大的情況下，目前市面上並不好買卡。
- GPU買來後需長期持有，可能存在較大的使用率空窗期。
- AIGC本質是稀疏呼叫場景，GPU的資源利用普遍偏低。
- 部署Stable Diffusion推理服務：雖然現在有Stable Diffusion WebUI這種簡化使用的前端UI，但是整體部署還是有一定的技術門檻。
- 從Github獲取Stable Diffusion WebUI。
- 下載Stable Diffusion不同版本的模型，不同版本的外掛。
- 構建GPU服務，部署Stable Diffusion WebUI。
- 出圖服務API化：Stable Diffusion WebUI雖然足夠方便，但是在企業使用者面向C端使用者的場景，出圖服務API化是剛需。
- Stable Diffusion模型本身不支援並行推理，Stable Diffusion WebUI也不支援多租戶管理能力。
- 企業生產級應用需要API化，提高併發效能，需要使用者自行實現。
- 推理效能調優：推理效能的好壞直接影響單位時間內的出圖效率，GPU卡數量固定前提下的總出圖數量，所以都需要使用者對預設的推理框架進行最佳化。
- 預設推理框架的推理效率不高，且在記憶體分配方面容易出現問題（當有任務排隊時，記憶體會持續增加，直到OOM）。
- 適配開源推理框架，提高推理效率，提高出圖量或降低資源成本，需要使用者自行實現。
如果使用函式計算構建Stable Diffusion應用，只需一步。在函式計算應用中心找到Stable Diffusion應用模板，一鍵部署即可自動完成上述那些複雜的步驟。
- GPU資源：函式計算自帶GPU資源，包含Tesla系列（函式計算提供的T4 GPU），Ampere系列，Ada系列
- GPU例項分日間夜間計費，夜間時間為北京時間每日0時~6時，夜間單價是日間單價的5折，即使需要長時間持有GPU，成本也會有大幅降低。
- GPU階梯定價，用量越大，成本越低，階梯3 單價比 階梯1 單價便宜33%。
- 支援極速模式，既對GPU例項做預置快照處理，提前鎖定彈性資源，有請求時從預置快照極速拉起彈性例項，避免冷啟動影響（CPU 毫秒級，GPU 秒級），客戶只需為預置快照付少量成本，兼顧了成本和彈性效率。
- 部署Stable Diffusion推理服務：自動在GPU例項中部署Stable Diffusion模型推理服務，以及Stable Diffusion WebUI，同時還會自帶模型/外掛管理介面，各引數配置介面，圖片管理/統計頁面，完善的可觀測、日誌能力等。
- 出圖服務API化：自帶Stable Diffusion Serverless API模式，透過API出圖提升並行效率，消除切換模型時的時延問題。
- 推理效能調優：內建TensorRT最佳化過的Stable Diffusion模型（支援Ampere系列，Ada系列 GPU），大幅提升推理效率。
基於TensorRT大幅提升Stable Diffusion推理效率
我們對 Stable Diffusion V1.5 和 Stable Diffusion XL 1.0 兩個模型，在Ampere系列和Ada系列上分別做的測試驗證。
- 同卡型對比，無論是SD1.5還是SDXL1.0，TRT最佳化模型對比原始模型，平均推理耗時均縮減了50%以上。
- 不同卡型對比，無論是SD1.5還是SDXL1.0，L20對比A10，平均推理耗時均縮減了30%~50%。
| Ampere 系列 | Ada 系列 | ||
|---|---|---|---|
| 原始模型 | TensorRT最佳化模型 | 原始模型 | |
| 模型：runwayml/stable-diffusion-v1-5 | 2.976s | 1.235s | 1.711s |
| 模型：stabilityai/stable-diffusion-xl-base-1.0 | 4.350s | N/A | 2.493s |
透過以上的資料不難看出，使用NVIDIA TensorRT最佳化後的模型推理效率提升50%，那就意味著，在相同的時間內，使用者的出圖量可以多一倍，或者出圖服務的QPS可以提升一倍。再加上基於函式計算構建Stable Diffusion應用的便利性，和函式計算GPU計算資源的高利用率特性，真正做到了降本提效，使業務方可以有更多的空間做產品競爭力的提升。
大語言模型的推理效率革新
阿里雲Qwen2是一款先進的大語言模型，具備強大的理解和生成能力。它透過對海量文字資料的訓練，能夠在多種NLP應用中展現出卓越的效能，包括文字生成、機器翻譯、問答系統、文字摘要等。Qwen2採用了最新的模型架構和最佳化技術，顯著提升了推理速度和生成質量，使其在處理複雜語言任務時表現出色。
在實際應用中，Qwen2可以幫助企業和開發者自動化處理自然語言資料，廣泛應用於智慧客服、內容創作、資料分析、對話系統等場景。透過高效的語言理解和生成能力，Qwen2大幅提升了自然語言處理任務的自動化和準確性，推動了多個行業的數字化轉型與創新。
Qwen2有200B的商業版模型，也有像7B這種的開源模型，而且在很多場景下，AI應用的整體流程中，有一些環節用開源的大語言模型完全可以勝任，也能避免商業版模型QPS限制的問題，所以投入產出比更好。比如Embedding服務，翻譯服務，程式碼問答服務，智慧知識庫等。
基於函式計算快速部署Qwen2 7B
目前市面上有多種大語言模型託管的平臺，像海外的HuggingFace，Ollama，國內的魔搭ModelScope。這些模型託管平臺均在函式計算應用中心中有應用模板，可以快速一鍵進行部署。
比如以Ollama為例，在應用中心中透過應用模板一鍵部署好Ollama服務，然後就可以透過Ollama的API下載Qwen2 7B模型，並執行在函式計算GPU資源上。
可以同樣在函式計算應用中心一鍵部署Ollama Open WebUI應用，透過白屏化介面下載Qwen2 7B。
基於TensorRT-LLM加速Qwen2 7B推理
我們測試對比了TensorRT-LLM和vLLM的推理效果：
- Qwen/QWen2-7B FP16：對比平均響應時間（RT）指標，TensorRT-LLM 對比 vLLM 改善了21%。
- QWen/QWen2-7B FP8：對比平均響應時間（RT）指標，TensorRT-LLM 對比 vLLM 改善了28%。
| Qwen/QWen2-7B FP16 | QWen/QWen2-7B FP8 | ||
|---|---|---|---|
| TRT-LLM | vLLM | TRT-LLM | |
| RT | 2679ms | 3374ms | 1688ms |
| TPS | 20 | 16 | 32 |
| Token數量 | 120.12W | 96.23W | 190.32W |
綜上，使用TensorRT-LLM推理框架使Qwen2 7B的推理效能有近30%的提升，再加上函式計算GPU計算資源高效率、高利用率的特性，使使用者在構建基於LLM的AI應用時在穩定性、效能、效率、成本各方面都會有大幅提升，如虎添翼。
總結
目前NVIDIA TensorRT-LLM已經支援了市面上所有主流的開源LLM，同時函式計算應用中心使用GPU資源的應用都已支援TensorRT-LLM推理框架，此次雲棲釋出的雲應用開發平臺CAP也會全面支援TensorRT-LLM推理框架。
阿里雲函式計算與NVIDIA技術團隊的合作具有重要的戰略意義，雙方透過結合各自的技術優勢，為AI技術的高效落地提供了強有力的支援。阿里雲函式計算以其無伺服器架構和彈性擴充套件能力，使開發者能夠在無需管理底層基礎設施的情況下靈活處理AI任務。而NVIDIA則透過其高效能的推理引擎，如TensorRT，TensorRT-LLM，為深度學習模型提供了極高的計算效率和最佳化能力。兩者的結合不僅能夠加速複雜模型的推理速度，還能大幅降低AI應用的執行成本。
這種合作推動了AI技術的實際應用落地，特別是在計算密集型的任務如影像生成、自然語言處理等領域，能夠透過無縫整合的高效計算平臺，大規模部署AI模型。開發者可以藉助這種平臺，快速開發並迭代AI產品，從而縮短從概念到實際應用的時間。同時，這種合作還支援企業靈活應對動態的計算需求，特別是在面對高併發或大規模任務時，實現彈性擴充套件和高效資源管理，為AI在各個行業的廣泛應用提供了堅實的技術基礎。
函式計算按量付費、資源包 8折優惠，以及面向中國站的中國內地地域 夜間5折優惠 活動正在進行中。https://www.aliyun.com/product/fc
更多內容關注 Serverless 微信公眾號（ID：serverlessdevs），彙集 Serverless 技術最全內容，定期舉辦 Serverless 活動、直播，使用者最佳實踐。