原文標題： 字節跳動旗下「豆包」新模型架構 推理成本最多降83% ※請勿刪減原文標題 原文連結： https://udn.com/news/story/7333/8543703 ※網址超過一行過長請用縮網址工具 發布時間： 2025-02-12 15:17 ※請以原文網頁/報紙之發布時間為準 記者署名： 林宸誼 ※原文無記載者得留空 原文內容： 字節跳動旗下「豆包大模型」Foundation團隊，近期提出一種全新的稀疏模型架構「UltraM em」，該架構在保證模型效果的前提下，推理速度較傳統的MoE（專家混合模型）架構提升2 到6倍，推理成本最高可降低83%。 陸媒財聯社報導，這項創新成果已被機器學習和AI領域的頂級會議ICLR 2025接收，為解決 大模型推理效率和擴展能力問題提供了全新思路。 大模型的推理能力，對應的是端側AI應用/工具的回應能力和速度。隨著模型規模的擴大， 推理成本和訪存效率已成為限制大模型規模應用的關鍵瓶頸。 在Transformer架構下，模型的性能與參數數量和計算複雜度呈對數關係。隨著LLM規模不斷 增大，推理成本會急劇增加，速度變慢。 為了解決計算問題，先前的研究者提出MoE和PKM（Product Key Memory）方案，但都有各自 侷限性。包括MoE架構犧牲了效率、PKM架構犧牲了效果，這些侷限性使得MoE和PKM在推理效 率、模型效果和擴展能力等方面的優化空間仍需進一步探索，UltraMem正是為了解決上述缺 點。 UltraMem參考了PKM的設計，但針對PKM的缺陷予以補充，優勢主要在於降低推理成本、提升 推理速度、保持模型效果。 豆包研究團隊在151M、680M、1.6B三個不同規模的模型上進行了廣泛的實驗。實驗結果顯示 ，UltraMem在模型效果和推理速度方面均優於MoE和PKM架構，且在680M、1.6B上具有顯著的 效果優勢。 報導提到，無論是訓練端還是推理端，當大模型廠商「捲」起成本，代表AI應用將在未來更 加高效易用；當推理成本大幅降低，將助推AI技術在更多領域的應用成為可能，尤其是對於 資源受限的場景，如邊緣計算和移動設備等，能讓更多企業和開發者有能力使用和部署AI模 型。 心得/評論： 美國矽谷科技公司在卷誰能拿到更多晶片 中國科技公司則是在卷誰能把AI成本降得更低 ※必需填寫滿30正體中文字，無意義者板規處分 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 125.224.143.192 (臺灣) ※ 文章網址: https://webptt.cc/bbs/Stock/M.1739375374.A.361.html