DeInfer: Efficient Parallel Inferencing for Decomposed Large Language Models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Huang, You-Liang, Huang, Xinhao, Liao, Chengxi, Wen, Zeyi |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
InferCept: Efficient Intercept Support for Augmented Large Language Model Inference
par: Abhyankar, Reyna, et autres
Publié: (2024)
par: Abhyankar, Reyna, et autres
Publié: (2024)
SpecInfer: Accelerating Generative Large Language Model Serving with Tree-based Speculative Inference and Verification
par: Miao, Xupeng, et autres
Publié: (2023)
par: Miao, Xupeng, et autres
Publié: (2023)
Quasar: Quantized Self-Speculative Acceleration for Rapid Inference via Memory-Efficient Verification
par: Huang, Guang, et autres
Publié: (2026)
par: Huang, Guang, et autres
Publié: (2026)
Folding Tensor and Sequence Parallelism for Memory-Efficient Transformer Training & Inference
par: Shyam, Vasu, et autres
Publié: (2026)
par: Shyam, Vasu, et autres
Publié: (2026)
Inference Acceleration for Large Language Models on CPUs
par: PS, Ditto, et autres
Publié: (2024)
par: PS, Ditto, et autres
Publié: (2024)
BlockBPE: Parallel BPE Tokenization
par: You, Amos
Publié: (2025)
par: You, Amos
Publié: (2025)
LUT-GEMM: Quantized Matrix Multiplication based on LUTs for Efficient Inference in Large-Scale Generative Language Models
par: Park, Gunho, et autres
Publié: (2022)
par: Park, Gunho, et autres
Publié: (2022)
InternEvo: Efficient Long-sequence Large Language Model Training via Hybrid Parallelism and Redundant Sharding
par: Chen, Qiaoling, et autres
Publié: (2024)
par: Chen, Qiaoling, et autres
Publié: (2024)
SLO-Aware Scheduling for Large Language Model Inferences
par: Huang, Jinqi, et autres
Publié: (2025)
par: Huang, Jinqi, et autres
Publié: (2025)
HeteGen: Heterogeneous Parallel Inference for Large Language Models on Resource-Constrained Devices
par: Zhao, Xuanlei, et autres
Publié: (2024)
par: Zhao, Xuanlei, et autres
Publié: (2024)
A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine
par: Li, Anran, et autres
Publié: (2026)
par: Li, Anran, et autres
Publié: (2026)
Minions: Accelerating Large Language Model Inference with Aggregated Speculative Execution
par: Wang, Siqi, et autres
Publié: (2024)
par: Wang, Siqi, et autres
Publié: (2024)
Decouple and Decompose: Scaling Resource Allocation with DeDe
par: Xu, Zhiying, et autres
Publié: (2024)
par: Xu, Zhiying, et autres
Publié: (2024)
HydraInfer: Hybrid Disaggregated Scheduling for Multimodal Large Language Model Serving
par: Dong, Xianzhe, et autres
Publié: (2025)
par: Dong, Xianzhe, et autres
Publié: (2025)
PipeInfer: Accelerating LLM Inference using Asynchronous Pipelined Speculation
par: Butler, Branden, et autres
Publié: (2024)
par: Butler, Branden, et autres
Publié: (2024)
Enhancing Memory Efficiency in Large Language Model Training Through Chronos-aware Pipeline Parallelism
par: Lin, Xinyuan, et autres
Publié: (2025)
par: Lin, Xinyuan, et autres
Publié: (2025)
Energy-Efficient Split Learning for Fine-Tuning Large Language Models in Edge Networks
par: Li, Zuguang, et autres
Publié: (2024)
par: Li, Zuguang, et autres
Publié: (2024)
CkIO: Parallel File Input for Over-Decomposed Task-Based Systems
par: Jacob, Mathew, et autres
Publié: (2024)
par: Jacob, Mathew, et autres
Publié: (2024)
HAP: Hybrid Adaptive Parallelism for Efficient Mixture-of-Experts Inference
par: Lin, Haoran, et autres
Publié: (2025)
par: Lin, Haoran, et autres
Publié: (2025)
EPS-MoE: Expert Pipeline Scheduler for Cost-Efficient MoE Inference
par: Qian, Yulei, et autres
Publié: (2024)
par: Qian, Yulei, et autres
Publié: (2024)
Conveyor: Efficient Tool-aware LLM Serving with Tool Partial Execution
par: Xu, Yechen, et autres
Publié: (2024)
par: Xu, Yechen, et autres
Publié: (2024)
Seq1F1B: Efficient Sequence-Level Pipeline Parallelism for Large Language Model Training
par: Sun, Ao, et autres
Publié: (2024)
par: Sun, Ao, et autres
Publié: (2024)
SiDP: Memory-Efficient Data Parallelism for Offline LLM Inference
par: Zhao, Alan, et autres
Publié: (2026)
par: Zhao, Alan, et autres
Publié: (2026)
An Efficient Heterogeneous Co-Design for Fine-Tuning on a Single GPU
par: Yang, Ruijia, et autres
Publié: (2026)
par: Yang, Ruijia, et autres
Publié: (2026)
Ghidorah: Fast LLM Inference on Edge with Speculative Decoding and Hetero-Core Parallelism
par: Wei, Jinhui, et autres
Publié: (2025)
par: Wei, Jinhui, et autres
Publié: (2025)
SPECTRE: Hybrid Ordinary-Parallel Speculative Serving for Resource-Efficient LLM Inference
par: Xie, Jincheng, et autres
Publié: (2026)
par: Xie, Jincheng, et autres
Publié: (2026)
FLYING SERVING: On-the-Fly Parallelism Switching for Large Language Model Serving
par: Gao, Shouwei, et autres
Publié: (2026)
par: Gao, Shouwei, et autres
Publié: (2026)
Collaborative Inference for Large Models with Task Offloading and Early Exiting
par: Xie, Zuan, et autres
Publié: (2024)
par: Xie, Zuan, et autres
Publié: (2024)
CFP: Efficient Optimization of Intra-Operator Parallelism Plans for Large Model Training
par: Hu, Weifang, et autres
Publié: (2025)
par: Hu, Weifang, et autres
Publié: (2025)
Hybrid-Parallel: Achieving High Performance and Energy Efficient Distributed Inference on Robots
par: Sun, Zekai, et autres
Publié: (2024)
par: Sun, Zekai, et autres
Publié: (2024)
FlexLLM: Token-Level Co-Serving of LLM Inference and Finetuning with SLO Guarantees
par: Oliaro, Gabriele, et autres
Publié: (2024)
par: Oliaro, Gabriele, et autres
Publié: (2024)
Split Fine-Tuning for Large Language Models in Wireless Networks
par: Zhang, Songge, et autres
Publié: (2025)
par: Zhang, Songge, et autres
Publié: (2025)
LLMTailor: A Layer-wise Tailoring Tool for Efficient Checkpointing of Large Language Models
par: Sun, Minqiu, et autres
Publié: (2026)
par: Sun, Minqiu, et autres
Publié: (2026)
AGoQ: Activation and Gradient Quantization for Memory-Efficient Distributed Training of LLMs
par: Lin, Wenxiang, et autres
Publié: (2026)
par: Lin, Wenxiang, et autres
Publié: (2026)
Extending Contract Verification for Parallel Programming Models to Fortran
par: Oraji, Yussur Mustafa, et autres
Publié: (2026)
par: Oraji, Yussur Mustafa, et autres
Publié: (2026)
Communication-Efficient Collaborative LLM Inference over LEO Satellite Networks
par: Zhang, Songge, et autres
Publié: (2026)
par: Zhang, Songge, et autres
Publié: (2026)
EPIC: Efficient Position-Independent Caching for Serving Large Language Models
par: Hu, Junhao, et autres
Publié: (2024)
par: Hu, Junhao, et autres
Publié: (2024)
Verifying Properties of Index Arrays in a Purely-Functional Data-Parallel Language
par: Hinnerskov, Nikolaj Hey, et autres
Publié: (2025)
par: Hinnerskov, Nikolaj Hey, et autres
Publié: (2025)
Distributed Speculative Inference (DSI): Speculation Parallelism for Provably Faster Lossless Language Model Inference
par: Timor, Nadav, et autres
Publié: (2024)
par: Timor, Nadav, et autres
Publié: (2024)
Efficient Parallel Compilation and Profiling of Quantum Circuits at Large Scales
par: Moore, Jane, et autres
Publié: (2026)
par: Moore, Jane, et autres
Publié: (2026)
Documents similaires
-
InferCept: Efficient Intercept Support for Augmented Large Language Model Inference
par: Abhyankar, Reyna, et autres
Publié: (2024) -
SpecInfer: Accelerating Generative Large Language Model Serving with Tree-based Speculative Inference and Verification
par: Miao, Xupeng, et autres
Publié: (2023) -
Quasar: Quantized Self-Speculative Acceleration for Rapid Inference via Memory-Efficient Verification
par: Huang, Guang, et autres
Publié: (2026) -
Folding Tensor and Sequence Parallelism for Memory-Efficient Transformer Training & Inference
par: Shyam, Vasu, et autres
Publié: (2026) -
Inference Acceleration for Large Language Models on CPUs
par: PS, Ditto, et autres
Publié: (2024)