【原理】

效果

效果评估，从推理的延迟来看，利用这个原理，可以极大地缩减延迟时间；

手机的结构

比如16G-512G , 前面的16G指的是DRAM， 512G指的是Flash Memory。GPU和CPU是处理问题的大脑，从Flash -> DRAM的带宽是1GB/s, DRAM到运作是100GB/s, 我们在使用大模型的时候需要的是低延迟，所以就需要把模型参数放到DRAM里，但是，模型参数不够放置DRAM，比如7B的参数模型需要14G的DRAM。所以需要把参数存在Flash Memory 然后想办法在DRAM里面存储有用的参数。

大模型参数的稀疏性

首先大模型上大部分的参数都是0，所以稀疏性很大。

使用的办法

（1） Windowing 使用滑动窗口的方式，每次只使用5个字符的大模型参数，然后滑动，这样替换的参数就会少；window size选择为5，因为随着窗口的扩大，DRAM里面存储的参数要求在增大，但是替换的参数量其实没有边际上更小，所以用5来测试。

把同一个神经元点的参数储存在一起

直觉上就是把存储数据整合在同一行上，因为毕竟在计算的时候是同时使用的，没必要分两步进行吞吐计算量；

利用predictor把预测出可能是有用的，非0的部分从Flash Memory里面读出来。

优化在DRAM里面的数据存储使用

删除不需要的神经元参数，直接复制粘贴需要的，然后再添加，其实就是增加DRAM的使用效率。

结果

最后测试结果，在经过优化后运行大模型，可以缩短延迟时间，增加吞吐量。可以在苹果端使用大模型。