InstantTensor로 모델 가중치 로드하기

InstantTensor로 모델 가중치 로드하기

InstantTensor은 CUDA 디바이스에서 Safetensors 가중치 로딩을 분산 로딩(distributed loading), 파이프라인 프리페칭(pipelined prefetching), 직접 I/O(direct I/O)로 가속화해요. 사용 가능할 때 GDS(GPUDirect Storage)도 지원합니다. 더 자세한 내용은 InstantTensor GitHub 저장소를 참고하세요.

출처: vLLM 공식 문서 — models-extensions-instanttensor

설치 (Installation)

pip install instanttensor

vLLM에서 InstantTensor 사용하기

명령줄 인자로 --load-format instanttensor를 추가하세요.

예를 들어:

vllm serve Qwen/Qwen2.5-0.5B --load-format instanttensor

벤치마크 (Benchmarks)

Model GPU Backend Load Time (s) Throughput (GB/s) Speedup
Qwen3-30B-A3B 1*H200 Safetensors 57.4 1.1 1x
Qwen3-30B-A3B 1*H200 InstantTensor 1.77 35 32.4x
DeepSeek-R1 8*H200 Safetensors 160 4.3 1x
DeepSeek-R1 8*H200 InstantTensor 15.3 45 10.5x

벤치마크에서 알 수 있듯이, 단일 H200에서 Qwen3-30B-A3B를 로드할 때 57.4초에서 1.77초로 약 32배, DeepSeek-R1은 160초에서 15.3초로 약 10.5배 빨라져요. 큰 모델일수록 로딩 병목이 컸기 때문에 속도 향상이 두드러지죠.

전체 벤치마크 결과는 https://github.com/scitix/InstantTensor/blob/main/docs/benchmark.md에서 볼 수 있어요.

더 알아보기 (Learn more)