Ant Group et vLLM ouvrent Humming, une bibliothèque d'inférence

La plupart du temps, le GPU consacre l'essentiel de son effort à répondre à une requête à multiplier de grandes grilles de nombres. En octobre, Ant Group et la communauté vLLM ont publié Humming, une bibliothèque open source qui génère à la demande le code de ces multiplications, réglé selon la précision, l'organisation du modèle et la puce utilisés. Elle est publiée sous licence Apache 2.0 depuis l'organisation inclusionAI d'Ant Group, et reproduite dans le projet vLLM.

La quantification stocke les poids d'un modèle avec moins de bits : INT4 utilise 4 bits par poids là où FP16 en utilise 16, ce qui réduit la mémoire nécessaire. Chaque combinaison de largeur des poids, de format d'activation, de schéma de mise à l'échelle, d'organisation dense ou en mélange d'experts, et de génération de GPU a eu tendance à exiger son propre noyau, c'est-à-dire le code bas niveau qui s'exécute sur la puce. Humming convertit les formats pris en charge en une description commune et compile les noyaux à partir de composants CUDA réutilisables. Elle couvre les poids entiers de INT1 à INT8 et les poids à virgule flottante de FP4 à FP8, sur les couches denses et les couches MoE (mélange d'experts), et vise les GPU NVIDIA à partir de l'architecture Turing. Ses dépendances se limitent à PyTorch et à NVCC, le compilateur de NVIDIA, et le paquet pip pèse environ 100 KB.

La version va aussi au-delà de NVIDIA. Elle indique que Humming prend déjà entièrement en charge le Zhenwu 810E de T-Head, un accélérateur d'IA compatible CUDA issu de la filiale puces d'Alibaba, et que la même chaîne de noyaux et de réglages peut fonctionner sur cet appareil. Le Zhenwu 810E est déjà apparu dans des déploiements chinois antérieurs de service d'IA. Les chiffres de performance proviennent des microbenchmarks et des tests de service des équipes elles-mêmes, et n'ont pas été vérifiés de manière indépendante. Pour de petites tailles de lot, le W4A16 dense (poids sur 4 bits, activations sur 16 bits) affiche selon ces tests environ 3 à 4 fois cuBLAS sur plusieurs appareils, et sur B300, le W4A8 atteint environ 1,6 fois une référence DeepGEMM dans certains cas de lots petits à moyens.

Le test le plus concret se situe de bout en bout. Sur huit GPU H20, en faisant tourner DeepSeek-V4.1-Flash avec les couches MoE passées de Marlin W4A16 à Humming W4A8, le débit de sortie a augmenté d'environ 14 % à 43 %, et le délai moyen avant le premier jeton, c'est-à-dire l'attente avant l'apparition du premier mot, a diminué d'environ 25 % à 32 %. Les gains les plus importants ont été obtenus à forte concurrence, autrement dit lorsque davantage de requêtes sont traitées simultanément.

Pour les exploitants, le changement tient à un paramètre de configuration plutôt qu'à une réécriture. À partir de vLLM 0.29.0, les installations CUDA de vLLM incluent Humming comme dépendance, sélectionnable avec --linear-backend humming et --moe-backend humming. Une équipe qui sert des modèles quantifiés sur du matériel NVIDIA peut faire tourner son propre trafic avec ces options, et cette mesure dira quelle part de la fourchette annoncée s'applique à sa charge de travail. La prise en charge du Zhenwu est ce que la version affirme ; les chiffres de performance plus larges attendent encore des benchmarks extérieurs. Humming est un projet commun d'Ant Group et de vLLM, et non un produit réservé à Ant.