前言
Cloud Native
阿里云函数计算（Function Compute, FC）是一种无服务器（Serverless）计算服务，允许用户在无需管理底层基础设施的情况下，直接运行代码。与传统的计算架构相比，函数计算具有高灵活性和弹性扩展的特点，用户只需专注于业务逻辑的开发，系统自动处理计算资源的分配、扩展和维护。同时，函数计算作为阿里云云产品的粘合剂，可以让用户轻松的和多种阿里云服务集成，构建复杂的应用程序。加之函数计算除了提供 CPU 算力以外，还提供 GPU 算力，所以这种无缝的计算体验，使得函数计算非常适合需要弹性扩展的 AI 任务，如模型推理和图像生成，能够大幅提高效率并降低计算成本。NVIDIA TensorRT 是英伟达为深度学习推理优化的高性能库，广泛应用于计算机视觉、语音识别等领域。TensorRT 通过一系列优化手段，如权重量化、层融合和内存优化，极大提升了模型的推理速度，同时减少了资源消耗。它支持从多种框架（如 TensorFlow、PyTorch）导出的模型，比如文生图/图生图模型和 Bert 类等语言模型。并在多种硬件平台上进行加速，使得开发者能够充分利用 GPU 的计算能力，快速部署 AI 应用。
NVIDIA TensorRT-LLM 是专为加速大语言模型（LLM，Large Language Models）推理设计的高性能深度学习推理库，旨在大幅提升推理效率、降低延迟并优化 GPU 利用率。它是 TensorRT 的扩展版本，主要针对大语言模型，具备自动优化、内存管理和量化的功能，能够在保持高精度的同时实现极低的推理延迟和高吞吐量。通过 TensorRT-LLM，开发者可以在英伟达的硬件平台上更高效地运行大语言模型，DiT 类模型，多模态视觉语言大模型等。阿里云函数计算与 NVIDIA TensorRT/TensorRT-LLM 的合作基于双方在提效降本方面的共同目标。阿里云函数计算作为无服务器架构，凭借其高灵活性、弹性扩展能力以及对 GPU 算力的支持，为 AI 任务如模型推理和图像生成提供了高效的计算平台。而 NVIDIA TensorRT/TensorRT-LLM 则通过针对大模型的优化，显著提升推理效率、降低延迟，并优化 GPU 利用率。在这种背景下，双方的合作可谓一拍即合，通过结合阿里云的无缝计算体验和 NVIDIA 的高性能推理库，开发者能够以更低的成本、更高的效率完成复杂的 AI 任务，加速技术落地和应用创新。
Stable Diffusion 的推理效率革新
Cloud Native
Stable Diffusion 是一种基于扩散模型的深度学习架构，广泛应用于生成高质量图像的任务中。其工作原理是通过逐步将随机噪声转化为清晰的图像，模型在反复推理过程中将潜在的低质量图像逐渐“清晰化”，直至生成高分辨率的最终输出。与传统生成模型不同，Stable Diffusion 通过在潜在空间进行扩散过程建模，有效减少了计算资源的消耗，同时提升了图像生成的质量和多样性。在图像生成领域，Stable Diffusion 的重要性体现在其广泛的应用和出色的生成能力。它不仅可以生成逼真的图像，还能够在风格化图像、艺术创作、设计和广告等多个领域中提供创意支持。此外，Stable Diffusion 以其开放性和高效性，成为生成模型中的一大创新，推动了 AI 驱动的创作和设计行业的发展。
基于函数计算大幅降低部署 Stable Diffusion 应用的复杂性
通常用户自己构建一套 Stable Diffusion 应用一般需要四个大的步骤，在每一个步骤中都有不小的工作量和技术门槛。
购买 GPU 资源：众所周知，SD 模型推理是需要使用 GPU 运行的，所以首先用户需要先购买 GPU 卡，除了消费级的 30 系，40 系，还有 Ampere 系列，Ada 系列的专业推理卡，但无论哪种卡，其持有成本都不低。企业用户，在需求量较大的情况下，目前市面上并不好买卡。GPU 买来后需长期持有，可能存在较大的使用率空窗期。AIGC 本质是稀疏调用场景，GPU 的资源利用普遍偏低。部署 Stable Diffusion 推理服务：虽然现在有 Stable Diffusion WebUI 这种简化使用的前端 UI，但是整体部署还是有一定的技术门槛。从 Github 获取 Stable Diffusion WebUI。下载 Stable Diffusion 不同版本的模型，不同版本的插件。构建 GPU 服务，部署 Stable Diffusion WebUI。出图服务 API 化：Stable Diffusion WebUI 虽然足够方便，但是在企业用户面向 C 端用户的场景，出图服务 API 化是刚需。Stable Diffusion 模型本身不支持并行推理，Stable Diffusion WebUI 也不支持多租户管理能力。企业生产级应用需要 API 化，提高并发性能，需要用户自行实现。推理性能调优：推理性能的好坏直接影响单位时间内的出图效率，GPU 卡数量固定前提下的总出图数量，所以都需要用户对默认的推理框架进行优化。默认推理框架的推理效率不高，且在内存分配方面容易出现问题（当有任务排队时，内存会持续增加，直到 OOM）。适配开源推理框架，提高推理效率，提高出图量或降低资源成本，需要用户自行实现。如何使用函数计算构建 Stable Diffusion 应用，只需一步。在函数计算应用中心找到 Stable Diffusion 应用模板[1]，一键部署即可自动完成上述那些复杂的步骤。
GPU 资源：函数计算自带 GPU 资源，包含 Tesla 系列（函数计算提供的 T4 GPU），Ampere 系列，Ada 系列。GPU 实例分日间夜间计费，夜间时间为北京时间每日 0 时~6 时，夜间单价是日间单价的 5 折，即使需要长时间持有 GPU，成本也会有大幅降低。GPU 阶梯定价[2]，用量越大，成本越低，阶梯 3 单价比 阶梯 1 单价便宜 33%。支持极速模式，既对 GPU 实例做预置快照处理，提前锁定弹性资源，有请求时从预置快照极速拉起弹性实例，避免冷启动影响（CPU 毫秒级，GPU 秒级），客户只需为预置快照付少量成本，兼顾了成本和弹性效率。部署 Stable Diffusion 推理服务：自动在 GPU 实例中部署 Stable Diffusion 模型推理服务，以及 Stable Diffusion WebUI，同时还会自带模型/插件管理界面，各参数配置界面，图片管理/统计页面，完善的可观测、日志能力等。出图服务 API 化：自带 Stable Diffusion Serverless API 模式，通过 API 出图提升并行效率，消除切换模型时的时延问题。推理性能调优：内置 TensorRT 优化过的 Stable Diffusion 模型（支持 Ampere 系列，Ada 系列 GPU），大幅提升推理效率。基于 TensorRT 大幅提升 Stable Diffusion 推理效率
我们对 Stable Diffusion V1.5 和 Stable Diffusion XL 1.0 两个模型，在 Ampere 系列和 Ada 系列上分别做的测试验证。
同卡型对比，无论是 SD1.5 还是 SDXL1.0，TRT 优化模型对比原始模型，平均推理耗时均缩减了 50% 以上。不同卡型对比，无论是 SD1.5 还是 SDXL1.0，L20 对比 A10，平均推理耗时均缩减了 30%~50%。Ampere 系列
Ada 系列
原始模型
TensorRT优化模型
原始模型
TensorRT优化模型
模型：
runwayml/stable-diffusion-v1-5
2.976s
1.235s
1.711s
0.689s
模型：
stabilityai/stable-diffusion-xl-base-1.0
4.350s
N/A
2.493s
1.211s
通过以上的数据不难看出，使用 NVIDIA TensorRT 优化后的模型推理效率提升 50%，那就意味着，在相同的时间内，用户的出图量可以多一倍，或者出图服务的 QPS 可以提升一倍。再加上基于函数计算构建 Stable Diffusion 应用的便利性，和函数计算 GPU 计算资源的高利用率特性，真正做到了降本提效，使业务方可以有更多的空间做产品竞争力的提升。
大语言模型的推理效率革新
Cloud Native
阿里云 Qwen2 是一款先进的大语言模型，具备强大的理解和生成能力。它通过对海量文本数据的训练，能够在多种 NLP 应用中展现出卓越的性能，包括文本生成、机器翻译、问答系统、文本摘要等。Qwen2 采用了最新的模型架构和优化技术，显著提升了推理速度和生成质量，使其在处理复杂语言任务时表现出色。在实际应用中，Qwen2 可以帮助企业和开发者自动化处理自然语言数据，广泛应用于智能客服、内容创作、数据分析、对话系统等场景。通过高效的语言理解和生成能力，Qwen2 大幅提升了自然语言处理任务的自动化和准确性，推动了多个行业的数字化转型与创新。
Qwen2 有 200B 的商业版模型，也有像 7B 这种的开源模型，而且在很多场景下，AI 应用的整体流程中，有一些环节用开源的大语言模型完全可以胜任，也能避免商业版模型 QPS 限制的问题，所以投入产出比更好。比如 Embedding 服务，翻译服务，代码问答服务，智能知识库等。
基于函数计算快速部署 Qwen2 7B
目前市面上有多种大语言模型托管的平台，像海外的 HuggingFace，Ollama，国内的魔搭 ModelScope。这些模型托管平台均在函数计算应用中心中有应用模板，可以快速一键进行部署。
比如以 Ollama 为例，在应用中心中通过应用模板一键部署好 Ollama 服务，然后就可以通过 Ollama 的 API 下载 Qwen2 7B 模型，并运行在函数计算 GPU 资源上。
可以同样在函数计算应用中心一键部署 Ollama Open WebUI 应用，通过白屏化界面下载 Qwen2 7B。
基于 TensorRT-LLM 加速 Qwen2 7B 推理
我们测试对比了 TensorRT-LLM 和 vLLM 的推理效果：
Qwen/QWen2-7B FP16：对比平均响应时间（RT）指标，TensorRT-LLM 对比 vLLM 改善了 21%。QWen/QWen2-7B FP8：对比平均响应时间（RT）指标，TensorRT-LLM 对比 vLLM 改善了 28%。Qwen/QWen2-7B FP16
QWen/QWen2-7B FP8
TRT-LLM
vLLM
TRT-LLM
vLLM
RT
2679ms
3374ms
1688ms
2338ms
TPS
20
16
32
23
Token数量
120.12W
96.23W
190.32W
140.74W
综上，使用 TensorRT-LLM 推理框架使 Qwen2 7B 的推理性能有近 30% 的提升，再加上函数计算 GPU 计算资源高效率、高利用率的特性，使用户在构建基于 LLM 的 AI 应用时在稳定性、性能、效率、成本各方面都会有大幅提升，如虎添翼。
总结
Cloud Native
目前 NVIDIA TensorRT-LLM 已经支持了市面上所有主流的开源 LLM，同时函数计算应用中心使用 GPU 资源的应用都已支持 TensorRT-LLM 推理框架，此次云栖发布的云应用开发平台 CAP 也会全面支持 TensorRT-LLM 推理框架。
阿里云函数计算与 NVIDIA 技术团队的合作具有重要的战略意义，双方通过结合各自的技术优势，为 AI 技术的高效落地提供了强有力的支持。阿里云函数计算以其无服务器架构和弹性扩展能力，使开发者能够在无需管理底层基础设施的情况下灵活处理 AI 任务。而 NVIDIA 则通过其高性能的推理引擎，如 TensorRT，TensorRT-LLM，为深度学习模型提供了极高的计算效率和优化能力。两者的结合不仅能够加速复杂模型的推理速度，还能大幅降低 AI 应用的运行成本。这种合作推动了 AI 技术的实际应用落地，特别是在计算密集型的任务如图像生成、自然语言处理等领域，能够通过无缝集成的高效计算平台，大规模部署 AI 模型。开发者可以借助这种平台，快速开发并迭代 AI 产品，从而缩短从概念到实际应用的时间。同时，这种合作还支持企业灵活应对动态的计算需求，特别是在面对高并发或大规模任务时，实现弹性扩展和高效资源管理，为 AI 在各个行业的广泛应用提供了坚实的技术基础。
函数计算按量付费、资源包 8 折优惠，以及面向中国站的中国内地地域夜间 5 折优惠活动正在进行中：https://www.aliyun.com/product/fc
相关链接：
[1] Stable Diffusion 应用模板
https://account.aliyun.com/login/login.htm?oauth_callback=https%3A%2F%2Ffcnext.console.aliyun.com%2Fapplications%2Fcreate%3Ftemplate%3Dfc-stable-diffusion-v3&clearRedirectCookie=1&lang=zh
[2] GPU 阶梯定价
https://help.aliyun.com/zh/functioncompute/fc-3-0/product-overview/product-changes-changes-of-billable-items-resource-plans-and-trial-quota-of-function-compute
