你敢想象：僅一臺(tái)僅裝備了單塊24G顯存消費(fèi)級(jí)顯卡的系統(tǒng)，不但能跑滿血671B DeepSeek R1模型，還能帶來(lái)5并發(fā)51 Token/秒的性能（更細(xì)節(jié)數(shù)據(jù)見(jiàn)下圖），要知道這個(gè)性能水準(zhǔn)，足以搞定像報(bào)告解讀或數(shù)據(jù)分析這類對(duì)實(shí)時(shí)性要求不高的任務(wù)了。

這就是英特爾開(kāi)發(fā)的全新異構(gòu)LLM服務(wù)方案流出的最新測(cè)試數(shù)據(jù)，這個(gè)方案基于HeteroFlow軟件框架，搭配了至強(qiáng)6性能核CPU（配MRDIMM內(nèi)存，開(kāi)啟AMX加速）作為硬件基座，它的目標(biāo)就是緩解 “滿血”大模型們面臨的存力困局。

眾所周知：大模型，是樂(lè)也“大參數(shù)”，痛也“大參數(shù)”——滿血版動(dòng)輒千億級(jí)的參數(shù)規(guī)模，再疊加GPU大佬們?cè)陲@存容量上的“精準(zhǔn)”刀法，總能讓你錢(qián)包嚴(yán)重失血！如果你就搞一個(gè)節(jié)點(diǎn)，即便GPU多卡插滿，也就是能剛剛裝下海量參數(shù)，剩余的顯存會(huì)限制并發(fā)性能和上下文的長(zhǎng)度。咬咬牙上多個(gè)節(jié)點(diǎn)，那就只能是……把牙咬碎，因?yàn)楦冻龇丁?/p>

而現(xiàn)在，有了HeteroFlow框架的加持，如果你用的是MoE類大模型，且選擇了英特爾的至強(qiáng)6性能核CPU來(lái)做機(jī)頭處理器，那么恭喜你，破局方法來(lái)了！

當(dāng)然這個(gè)方法可能會(huì)顛覆你“AI讓CPU走開(kāi)”，或者“AI應(yīng)用中CPU只是GPU小助手”的觀念。但這個(gè)方法，恰恰是充分利用了GPU和CPU各自的優(yōu)勢(shì)——GPU算力強(qiáng)，CPU內(nèi)存大。HeteroFlow的工作原理就是把Attention、Dense MLP這些算力敏感型的，也是高價(jià)值的任務(wù)留給高算力的GPU，但把MoE這種需要大存力的任務(wù)，部分或全部卸載給CPU+大容量的內(nèi)存。

這種方法的終極奧義，并不是說(shuō)CPU比GPU更重要，或者你不需要GPU了，而是有了CPU的分擔(dān)與協(xié)助，GPU的工作更有意義了——它能把其成本高昂的算力和顯存全用在榨取并發(fā)性能與上下文長(zhǎng)度上，正所謂“好鋼用在刀刃上”，讓整個(gè)系統(tǒng)不僅性能收益明顯，投資回報(bào)率也是原地起飛。

接下來(lái)，讓我們瞧瞧HeteroFlow是怎樣具體干活的：

一、卸載

對(duì)AI任務(wù)做智能拆分，把部分或全部MoE負(fù)載移到CPU上，讓GPU更專注算力密集型任務(wù)，細(xì)節(jié)如下圖。

二、調(diào)度

通過(guò)Pipelined Scheduling設(shè)計(jì)，讓CPU與GPU在各自承載的子任務(wù)間實(shí)現(xiàn)無(wú)縫銜接，最大化榨取它們各自的潛能，如下圖：

三、加速

雖然至強(qiáng)CPU沒(méi)有GPU那么強(qiáng)的AI加速算力，但它還是有自己的看家本領(lǐng)——英特爾AMX（高級(jí)矩陣擴(kuò)展技術(shù)，有人將其比擬為“CPU里的Tensor Core”），它能為MoE任務(wù)涉及的計(jì)算提供加速。如果你對(duì)AMX技術(shù)沒(méi)有那么了解，可以借下面兩張圖快速了解一下它的核心組件與架構(gòu)，以及加速能力。

如果你比較細(xì)心，一定注意到我們?cè)谇拔奶岬降氖荋eteroFlow框架 +至強(qiáng)6 性能核CPU這個(gè)組合，推薦這款CPU的原因很簡(jiǎn)單，因?yàn)樗鼉?nèi)置AMX技術(shù)，且主流型號(hào)（SKU），特別是用于機(jī)頭的SKU能解鎖對(duì)MRDIMM內(nèi)存（8000/8800）的支持，幾乎是目前市面上能同時(shí)兼顧內(nèi)存的大容量與高帶寬的惟一選擇。

如果你還意猶未盡，覺(jué)得前文測(cè)試場(chǎng)景里的“低配”型系統(tǒng)和它實(shí)現(xiàn)的性能，還遠(yuǎn)遠(yuǎn)不能滿足你一些更加“高大上”的需求，先別急，因?yàn)橛⒊譅栒跍y(cè)試HeteroFlow+至強(qiáng)6的另外兩種應(yīng)用場(chǎng)景：

1. 在更多節(jié)點(diǎn)的、中量級(jí)的系統(tǒng)中，瞧它能不能把MoE中的“冷專家”（不常被激活的專家）卸載到CPU上，盡可能提升這類系統(tǒng)的并發(fā)度和拓展其上下文長(zhǎng)度；

2. 在更大或特大規(guī)模的AI集群中，當(dāng)GPU出現(xiàn)單卡故障時(shí)，用CPU暫時(shí)頂一下，保障集群的穩(wěn)定運(yùn)行。

由衷期待這兩個(gè)新場(chǎng)景能盡快落地，并有性能或性價(jià)比上的優(yōu)異表現(xiàn)供大家分享。你可以訪問(wèn)英特爾官網(wǎng)了解更多基于HeteroFlow框架的異構(gòu)LLM服務(wù)方案的細(xì)節(jié)，或者聯(lián)系英特爾官方得到英特爾相關(guān)技術(shù)專家的支持。

誰(shuí)說(shuō)CPU只是GPU的小助手？用至強(qiáng)? 6高存力搞定MoE卸載！

想Get基于HeteroFlow的大模型異構(gòu)新方案？

歡迎訪問(wèn)英特爾官網(wǎng)，即刻揭秘！