NVIDIA RTX AI Toolkit拥抱LoRA技术

在 RTX AI PC 和工作站上使用最新版 RTX AI Toolkit 微调 LLM，最高可将性能提升至原来的 6 倍。

凭借其快速理解、总结和生成基于文本的内容的能力，大语言模型（LLM）正在推动 AI 领域中的一些极为激动人心的发展。

LLM 的这些能力可支持各种场景，包括生产力工具、数字助理、电子游戏中的 NPC 等。但它们并非万能的解决方案，开发者通常必须对 LLM 进行微调，使 LLM 适应他们应用的需求。

NVIDIA RTX AI Toolkit 可通过一种名为“低秩自适应（LoRA）”的技术，让用户轻松地在 RTX AI PC 和工作站上微调和部署 AI 模型。现已推出的最新版支持在 NVIDIA TensorRT-LLM AI 加速库中同时使用多个 LoRA，最高可将微调模型的性能提升至原来的 6 倍。

通过微调提升性能

LLM 必须经过精心定制，才能实现更高的性能并满足用户日益增长的需求。

虽然这些基础模型是基于海量数据训练出来的，但它们通常缺乏开发者的特定场景所需的上下文。例如，通用型 LLM 可以生成游戏对话，但很可能会忽略文风的细微差别和微妙之处。例如，以一位有着黑暗过往并蔑视权威的林地精灵的口吻编写对话时，LLM 很有可能会忽略需要展现出来的微妙文风。

为了获得更符合自己需求的输出，开发者可以使用与应用场景相关的信息对模型进行微调。

以开发一款利用 LLM 生成游戏内对话的应用为例。微调时，首先需要使用预训练模型的权重，例如角色可能会在游戏中说出的内容的相关信息。为使对话符合相应文风，开发者可以基于较小的示例数据集（例如以更诡异或更邪恶的语气编写的对话）调整模型。

在某些情况下，开发者可能希望同时运行所有不同的微调流程。例如，他们可能希望为不同的内容频道生成以不同的语气编写的营销文案。同时，他们可能还希望总结文档并提出文风方面的建议，以及为文生图工具起草电子游戏场景描述和图像提示词。

同时运行多个模型并不现实，因为 GPU 显存无法同时容纳所有模型。即使能同时容纳，模型的推理时间也会受制于显存带宽（即 GPU 从显存读取数据的速度）。

拥抱 LoRA 技术

解决上述问题的常用方法是使用低秩自适应（LoRA）等微调技术。简单来说，您可以将这种技术视为补丁文件，其中包含微调流程中的定制过程。

训练完毕后，定制的 LoRA 可以在推理过程中与基础模型无缝集成，额外的性能开销极少。开发者可以将多个 LoRA 连接到单个模型上，以服务多种场景。这样既能使显存占用率保持在较低水平，又能为各个特定场景提供所需的额外细节内容。

使用多 LoRA 功能通过单个基础模型同时支持多个客户端和场景的架构图

在实际操作中，这意味着应用可以在显存中只保留一个基础模型，同时使用多个 LoRA 实现多种定制。

这个过程称为多 LoRA 服务。当对模型进行多次调用时，GPU 可以并行处理所有调用，更大限度地利用其 Tensor Core 并尽可能减少对显存和带宽的需求，以便开发者在工作流中高效使用 AI 模型。使用多 LoRA 的微调模型的性能最高可提升至原来的 6 倍。

在 GeForce RTX 4090 台式电脑 GPU 上运行 Llama 3B int4 时，应用 LoRA 的 LLM 的推理性能。输入序列长度为 1,000 个 token，输出序列长度为 100 个 token。LoRA 最大秩为 64。

在前文所述的游戏内对话应用的示例中，通过使用多 LoRA 服务，应用的范围可以扩展到同时生成剧情元素和插图，两者都是由单个提示驱动的。

用户可以输入基本的剧情创意，然后 LLM 会充实这个概念，在基本创意的基础上进行扩展，提供详细的基础剧情。然后，应用可以使用相同的模型，并通过两个不同的 LoRA 进行增强，以完善剧情并生成相应的图像。其中一个 LoRA 负责生成 Stable Diffusion 提示词，以便使用本地部署的 Stable Diffusion XL 模型创建视觉效果。同时，另一个针对剧情写作进行微调的 LoRA 可以编写出结构合理、引人入胜的叙事内容。

在这种情况下，两次推理均使用相同的模型，这可确保推理过程所需的空间不会显著增加。第二次推理涉及文本和图像生成，采用批量推理的方式执行。这使得整个过程能够在 NVIDIA GPU 上异常快速且高效地推进。这样一来，用户便能快速迭代不同版本的剧情，轻松完善叙事和插图。

LLM 正在成为现代 AI 的一大重要组成部分。随着采用率和集成率的提升，对于功能强大、速度快、具有特定于应用的定制功能的 LLM 的需求也将与日俱增。RTX AI Toolkit 新增的多 LoRA 支持可为开发者提供强有力的全新方法来加速满足上述需求。