HarMoEny: Efficient multi-GPU inference of Mixture of Experts models by scheduling experts across accelerators
Notice bibliographique
Résumé
Mixture-of-Experts (MoE) models enhance computational efficiency during inference by selectively activating specialized experts for each request.This approach facilitates efficient model scaling on multi-GPU systems leveraging expert parallelism, without compromising performance.However, uneven load distribution across experts often creates imbalances across GPUs, increasing latency due to idle waiting times.To address this, we propose HarMoEny, a novel solution that employs two simple techniques: (i) dynamic token redistribution to underutilized GPUs and (ii) asynchronous prefetching of experts from system to GPU memory.These methods achieve near-perfect load balancing across GPUs and amortize the cost of executing experts not resident in GPU memory, thereby reducing waiting times and latency.We implement HarMoEny and evaluate its performance against four state-of-the-art baselines using real-world and artificially imbalanced datasets.Under heavy load imbalance, HarMoEny improves throughput by 66.7%-68.6%and reduces time to first token by 31.8%-37.2%,compared to the next-best baseline.Furthermore, our ablation study demonstrates that HarMoEny's scheduling policy reduces the GPU idle time by up to 99% relative to the baseline policies.i This endeavour is not endurable without the help of an amazing group of people.These people have written this thesis, figuratively, just as much as I have.I would like to firstly thank my supervisor Prof. Oana Balmau who has been my buoy for the past 3½ years of my life.This time has been filled with growth mostly thanks to her attention, work-ethic, and flexibility.Thanks for the constant push for me to achieve and for going through this thesis enumerable times to improve it to its current state.The lessons learned here will serve for decades to come.I would like to then thank Prof. Anne-
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».