Memory-efficient tensor parallelism for long-sequence Transformer training

Transformer-based models like large language models (LLMs) have attracted significant attention in recent years due to their superior performance. A long sequence of input tokens is essential for industrial LLMs to provide better user services. However, memory consumption increases quadratically wit...

Celý popis

Uloženo v:
Podrobná bibliografie
Vydáno v:Frontiers of information technology & electronic engineering Ročník 26; číslo 5; s. 770 - 787
Hlavní autoři: Liang, Peng, Qiao, Linbo, Shi, Yanqi, Zheng, Hao, Tang, Yu, Li, Dongsheng
Médium: Journal Article
Jazyk:angličtina
Vydáno: Hangzhou Zhejiang University Press 01.05.2025
Springer Nature B.V
Témata:
ISSN:2095-9184, 2095-9230
On-line přístup:Získat plný text
Tagy: Přidat tag
Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!
Buďte první, kdo okomentuje tento záznam!
Nejprve se musíte přihlásit.