Ant Group y vLLM publican Humming, biblioteca de código abierto

La mayor parte del tiempo que una GPU dedica a responder a una consulta se va en multiplicar grandes cuadrículas de números. En octubre, Ant Group y la comunidad de vLLM publicaron Humming, una biblioteca de código abierto que genera bajo demanda el código para esas multiplicaciones, ajustado a la precisión, la disposición del modelo y el chip en uso. Se publica con licencia Apache 2.0 desde la organización inclusionAI de Ant Group y se replica en el proyecto vLLM.

La cuantización almacena los pesos de un modelo con menos bits: INT4 usa 4 bits por peso, frente a los 16 de FP16, lo que reduce el consumo de memoria. Cada combinación de anchura de los pesos, formato de activaciones, esquema de escalado, disposición densa o de mezcla de expertos (MoE) y generación de GPU ha solido necesitar su propio kernel, es decir, el código de bajo nivel que se ejecuta en el chip. Humming convierte los formatos compatibles en una descripción común y compila kernels a partir de componentes CUDA reutilizables. Abarca pesos enteros de INT1 a INT8 y pesos en coma flotante de FP4 a FP8, en capas densas y MoE (mezcla de expertos), y está orientada a GPU de NVIDIA desde Turing en adelante. Sus dependencias se limitan a PyTorch y a NVCC, el compilador de NVIDIA, y el paquete pip pesa unos 100 KB.

La publicación también va más allá de NVIDIA. Indica que Humming ya admite por completo el Zhenwu 810E de T-Head, un acelerador de IA compatible con CUDA de la unidad de chips de Alibaba, y que el mismo camino de kernels y ajuste puede ejecutarse en ese dispositivo. El Zhenwu 810E ya ha aparecido en despliegues chinos anteriores de servicio de IA. Las cifras de rendimiento proceden de los microbenchmarks y las pruebas de servicio de los propios equipos y no han sido verificadas por terceros. Con tamaños de lote pequeños, el W4A16 denso (pesos de 4 bits, activaciones de 16 bits) registra unas 3 a 4 veces cuBLAS en varios dispositivos, y en B300, el W4A8 alcanza unas 1,6 veces una referencia DeepGEMM en algunos casos de lotes pequeños y medianos.

La prueba más concreta es la de extremo a extremo. En ocho GPU H20, ejecutando DeepSeek-V4.1-Flash con las capas MoE cambiadas de Marlin W4A16 a Humming W4A8, el rendimiento de salida aumentó entre un 14 % y un 43 % aproximadamente, y se redujo el tiempo medio hasta el primer token, la espera antes de que aparezca la primera palabra, entre un 25 % y un 32 %. Las mayores mejoras llegaron con más concurrencia, es decir, cuando se atienden más solicitudes al mismo tiempo.

Para los operadores, el cambio es un interruptor de configuración y no una reescritura. Desde vLLM 0.29.0, las instalaciones CUDA de vLLM incluyen Humming como dependencia, seleccionable con --linear-backend humming y --moe-backend humming. Un equipo que sirva modelos cuantizados en hardware de NVIDIA puede ejecutar su propio tráfico con esas opciones, y esa medición aclarará qué parte del rango publicado se aplica a su carga de trabajo. El soporte para Zhenwu es lo que declara la publicación; las cifras de velocidad más amplias siguen pendientes de pruebas externas. Humming es un proyecto conjunto de Ant Group y vLLM, no un producto exclusivo de Ant.