“开源落后论” 再一次被打脸。7月23日，Meta正式发布Llama 3.1，这是如今开源领域使用者最广泛，性能最顶级的大模型系列。根据Meta提供的基准测试数据，最受关注的405B（4050亿参数）大模型，从性能上已经可媲美GPT-4和Claude 3，同时首次在多项基准测试中击败了GPT-4o等业界领先的闭源模型。可以说，随着它的发布，为大模型开源闭源战争开创了一个新的里程碑。

Llama 3.1多语言大模型组合包含了80亿参数、700亿参数以及4050亿参数（文本输入/文本输出）预训练及指令调整的生成式AI模型。其每个模型均支持128k长文本和八种不同的语言。其中，4050亿参数的Llama 3.1模型在基本常识、可操作性、数学、工具使用和多语言翻译方面具有行业领先的能力。同时，该模型亦帮助开发者社区解锁诸如合成数据生成和模型蒸馏（Model Distillation）等全新功能。

不过，再强大的大模型，也需要算力支持。如若硬件都不支持的开源大模型，无疑是寸步难行。今日，英特尔就正式公布了其对于Llama 3.1方面的最新动作。

这一次，英特尔的动作非常迅速。

全面优化Llama 3.1

英特尔宣布公司横跨数据中心、边缘以及客户端AI产品已面向Meta最新推出的大语言模型（LLM）Llama 3.1进行优化，并公布了一系列性能数据。

据了解，目前，英特尔丰富的AI产品组合已支持上述最新模型，并通过开放生态系统软件实现针对性优化，主要包括PyTorch及英特尔 PyTorch扩展包、DeepSpeed、Hugging Face Optimum库和vLLM等。

此外，企业AI开放平台（OPEA）亦为这些模型提供支持，OPEA这一全新的开放平台项目是由LF AI & Data基金会发起，旨在聚合生态之力，推动创新，构建开放、多供应商的、强大且可组合的生成式AI解决方案。

具体跑分性能如何？

英特尔也展示了其在至强处理器，以及酷睿 Ultra处理器和锐炫显卡的AI PC产品的初步性能结果。

至强处理器方面，英特尔在第五代英特尔®至强®可扩展处理器上测量，使用：2个英特尔至强Platinum 8593Q、64核、超线程开启、睿频开启、NUMA 4、512GB（16x32GB DDR5 5600 MT/s [5600 MT/s]）、BIOS 3B07.TEL2P1、微码0x21000200、三星SSD 970 EVO Plus 2TB、CentOS Stream 9、5.14.0-437.el9.x86_64、使用PyTorch和IPEX 2.4运行的模型。

根据基准测试，在第五代英特尔至强平台上以1K token输入和128 token输出运行80亿参数的Llama 3.1模型，可以达到每秒176 token的吞吐量，同时保持下一个token延迟小于50毫秒。图1展示了运行支持128k长文本的80亿参数Llama 3.1模型时，下一个token延迟可低于100毫秒。

作为通用计算的基石，英特尔^®至强^®处理器为全球用户提供强大算力，现已通过各大云服务商面市。英特尔至强处理器在其每个核心中均内置了英特尔^®高级矩阵扩展（AMX）AI引擎，可将AI性能提升至新水平。

图1. 基于第五代英特尔至强可扩展处理器的Llama 3.1推理延迟

AI PC方面，处理器搭载英特尔酷睿Ultra 7 165H平台的微软Surface Laptop 6上进行测量，使用32GB LPDDR5 7467Mhz总内存、英特尔显卡驱动程序101.5762、IPEX-LLM 2.1.0b20240718、Windows 11 Pro版本22631.3593、性能电源策略与核心隔离启用。

显卡使用英特尔酷睿i9-14900K、华硕ROG MAXIMUS Z790 HERO主板、32GB (2x 16GB) DDR5 5600Mhz和Corsair MP600 Pro XT 4TB NVMe SSD，对英特尔锐炫A770 16GB限量版显卡进行测量。软件配置包括英特尔显卡驱动程序101.5762、IPEX-LLM 2.1.0b20240718、Windows 11 Pro版本22631.3593、性能电源策略与核心隔离禁用。

由英特尔酷睿 Ultra处理器和锐炫显卡驱动的AI PC可为客户端和边缘提供卓越的设备端AI推理能力。凭借诸如英特尔酷睿平台上的NPU，以及锐炫显卡上英特尔Xe Matrix Extensions加速等专用的AI硬件，在AI PC上进行轻量级微调和应用定制比以往更加容易。

对于本地研发，PyTorch及英特尔PyTorch扩展包等开放生态系统框架可帮助加速。而对于应用部署，用户则可使用英特尔OpenVINO工具包在AI PC上进行高效的模型部署和推理。AI工作负载可无缝部署于CPU、GPU以及NPU上，同时实现性能优化。

图2. 在配备内置英特尔锐炫^™显卡的英特尔^®酷睿^™ Ultra 7 165H AI PC上，Llama 3.1推理的下一个token延迟

图3. 在使用英特尔锐炫^™A770 16GB限量版显卡的AI PC上，Llama 3.1推理的下一个token延迟

利用Llama 3.1和OPEA部署企业RAG解决方案

英特尔AI平台和解决方案能够有助于企业部署AI RAG。作为OPEA的发起成员之一，英特尔正帮助引领行业为企业AI打造开放的生态系统，同时，OPEA亦助力Llama 3.1模型实现性能优化。

基于可组合且可配置的多方合作组件，OPEA为企业提供开源、标准化、模块化以及异构的RAG流水线（pipeline）。此次测试中，微服务部署于OPEA蓝图的每一支细分领域中，包括防护（Guardrail）、嵌入（Embedding）、大模型、数据提取及检索。端到端RAG流水线通过Llama 3.1进行大模型的推理及防护，使用BAAI/bge-base-en-v1.5模型进行嵌入，基于Redis向量数据库，并通过Kubernetes（K8s）系统进行编排。

图4：基于Llama 3.1的端到端RAG流水线，由英特尔Gaudi 2加速器和至强处理器提供支持

目前，英特尔AI PC及数据中心AI产品组合和解决方案已面向全新Llama 3.1模型实现优化，OPEA亦在基于英特尔至强等产品上全面启用。未来，英特尔将持续投入软件优化，支持更多全新的模型与用例。