通过动态执行方法加速AI推理

本文研究了基于输入优化计算流程的动态执行技术，旨在识别可以用更少资源解决的简单问题。讨论的技术包括深度网络的提前退出、语言模型的推测性采样和扩散模型的自适应步骤。实验结果表明，这些动态方法可以显著提高延迟和吞吐量，而不会影响质量。结合量化等基于模型的优化，动态执行提供了一种强大的多管齐下的AI推理优化策略。文章还介绍了将这些技术集成到英特尔性能库和Huggingface Optimum中的案例，以提高其易用性和采用率。