01 详细解释
一张卡装不下整份权重时,按行或列把矩阵拆开,每张卡算一部分,再用 all-reduce 汇总结果。它解决的是「单个模型放不下」,而不是「请求太多」。
代价是卡间通信很重,需要高速互联;跨机器拆 TP 通常得不偿失。高并发场景更多用数据并行或流水线并行,TP 一般只在同一台机器内部开。
把单层的矩阵运算切到多张卡上同时算,用来放下放不下的模型。
本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正
一张卡装不下整份权重时,按行或列把矩阵拆开,每张卡算一部分,再用 all-reduce 汇总结果。它解决的是「单个模型放不下」,而不是「请求太多」。
代价是卡间通信很重,需要高速互联;跨机器拆 TP 通常得不偿失。高并发场景更多用数据并行或流水线并行,TP 一般只在同一台机器内部开。
70B 模型单卡放不下,用 4 卡 TP 把每层权重切成 4 份。
先试量化把模型压进单卡,再考虑 TP;跨机 TP 往往是性能陷阱。
同样一个模型,费用能差十倍,差别全在缓存、批处理、量化、并行和让它想多久。做容量规划、选部署方式、谈单价,都绕不开这几个词。