五个生成式 AI 推理平台，可使用开放式 LLM，如 Llama 3、Mistral 和 Gemma。有些还支持针对视觉的模型。
译自 5 Open LLM Inference Platforms for Your Next AI Application，作者 Janakiram MSV。
开放式大语言模型 变得越来越强大，并且是 GPT-4 和 Gemini 等商业 LLM 的可行替代方案。鉴于 AI 加速器硬件的成本，开发人员正在考虑使用 API 来使用最先进的语言模型。
虽然 Azure OpenAI、Amazon Bedrock 和 Google Cloud Vertex AI 等云平台是显而易见的选择，但有一些专门构建的平台比超大规模平台更快、更便宜。
以下是五个生成式 AI 推理平台，可使用开放式 LLM，如 Llama 3、Mistral 和 Gemma。其中一些还支持针对视觉的基础模型。
Groq 是一家 AI 基础设施公司，声称构建了世界上最快的 AI 推理技术。他们的旗舰产品是语言处理单元 (LPU) 推理引擎，这是一个硬件和软件平台，旨在为 AI 应用程序提供卓越的计算速度、质量和能效。开发人员喜爱 Groq 的速度和性能。
一个经过扩展的 LPU 网络为 GroqCloud 服务提供支持，该服务使用户能够以（据称）比其他提供商快 18 倍的速度使用流行的开源 LLM，如 Meta AI 的 Llama 3 70B。您可以使用 Groq 的 Python 客户端 SDK 或 OpenAI 客户端 SDK 来使用 API。可以轻松地将 Groq 与 LangChain 和 LlamaIndex 集成，以构建高级 LLM 应用程序和聊天机器人。
在定价方面，Groq 提供了一系列选项。对于他们的云服务，他们根据处理的令牌收费——价格从每百万个令牌 0.06 美元到 0.27 美元不等，具体取决于所使用的模型。免费层是开始使用 Groq 的绝佳方式。
Perplexity 正迅速成为 Google 和 Bing 的替代品。虽然其主要产品是 AI 驱动的搜索引擎，但他们还通过 Perplexity Labs 提供推理引擎。
2023 年 10 月，Perplexity Labs 推出了 pplx-api，这是一个 API，旨在促进快速高效地访问开源 LLM。pplx-api 目前处于公开测试阶段，允许拥有 Perplexity Pro 订阅的用户访问该 API，从而使广泛的用户群能够进行测试并提供反馈，这有助于 Perplexity Labs 持续增强该工具。
该 API 支持流行的 LLM，包括 Mistral 7B、Llama 13B、Code Llama 34B 和 Llama 70B。它旨在在部署和推理方面都具有成本效益，Perplexity Labs 报告了显著的成本节约。用户可以使用与 OpenAI 客户端兼容的界面将 API 与现有应用程序无缝集成，这对于熟悉 OpenAI 生态系统的开发人员来说非常方便。有关快速概述，请参阅我的 Perplexity API 教程。
该平台还包括 llama-3-sonar-small-32k-online 和 llama-3-sonar-large-32k-online，它们基于 FreshLLM 论文。这些基于 Llama3 的模型可以返回引文——这是一项目前处于封闭测试阶段的功能。
Perplexity Labs 为其 API 提供灵活的定价模式。按需付费计划根据处理的令牌数量向用户收费，无需预先承诺即可使用。Pro 计划每月收费 20 美元或每年 200 美元，其中包括每月 5 美元的 API 使用额度、无限文件上传和专门支持。
价格根据模型的大小在每百万个令牌 0.20 美元到 1.00 美元之间。除了令牌费用外，在线模型每千次请求还会产生 5 美元的固定费用。
Fireworks AI 是一个生成式 AI 平台，使开发人员能够为其应用程序利用最先进的开源模型。它提供了广泛的语言模型，包括 FireLLaVA-13B（一种视觉语言模型）、FireFunction V1（用于函数调用）、Mixtral MoE 8x7B 和 8x22B（指令遵循模型）、Meta 的 Llama 3 70B 模型。
除了语言模型外，Fireworks AI 还支持图像生成模型，如 Stable Diffusion 3 和 Stable Diffusion XL，这些模型可以通过 Fireworks AI 的无服务器 API 访问，该公司表示该 API 提供了业界领先的性能和吞吐量。
该平台具有竞争力的定价模式。它提供基于处理令牌数量的按需付费定价结构。例如 Gemma 7B 模型每百万个令牌的成本为 0.20 美元，Mixtral 8x7B 模型每百万个令牌的成本为 0.50 美元。Fireworks AI 还提供按需部署，用户可以按小时租用 GPU 实例（A100 或 H100）。该 API 与 OpenAI 兼容，使其易于与 LangChain 和 LlamaIndex 集成。
Fireworks AI 面向具有不同定价层级的开发人员、企业和大型企业。开发人员层级提供 600 个请求/分钟的速率限制和最多 100 个已部署模型，而企业和大型企业层级提供自定义速率限制、团队协作功能和专门支持。
Cloudflare AI Workers 是一个推理平台，使开发人员能够仅使用几行代码在 Cloudflare 的全球网络上运行机器学习模型。它为 GPU 加速的 AI 推理提供了一个无服务器且可扩展的解决方案，允许开发人员利用预训练模型执行各种任务——包括文本生成、图像识别和语音识别——而无需管理基础设施或 GPU。
Cloudflare AI Workers 提供了一组精选的流行开源模型，涵盖广泛的 AI 任务。支持的一些著名模型包括：
- llama-3-8b-instruct
- mistral-8x7b-32k-instruct
- gemma-7b-instruct
- vit-base-patch16-224
- segformer-b5-finetuned-ade-512-pt
Cloudflare AI Workers 提供了多功能的集成点，用于将 AI 功能纳入现有应用程序或创建新应用程序。开发人员可以利用 Cloudflare 的无服务器执行环境 Workers 和 Pages Functions 在其应用程序中运行 AI 模型。对于那些希望与其当前堆栈集成的开发人员，可以使用 REST API，从而能够从任何编程语言或框架发出推理请求。该 API 支持文本生成、图像分类和语音识别等任务，并且开发人员可以使用 Cloudflare 的 Vectorize（一个向量数据库）和 AI Gateway（用于管理 AI 模型和服务的控制平面）来增强其 AI 应用程序。
Cloudflare AI Workers 使用基于处理神经元数量的按需付费定价模式，为 AI 推理提供了一种经济实惠的解决方案。由于该平台提供了一组超越 LLM 的多样化模型，因此神经元充当类似令牌的单位。所有帐户都有一个免费层，每天允许 10,000 个神经元，其中一个神经元汇总了不同模型的使用情况。除此之外，Cloudflare 每 1,000 个额外神经元收取 0.011 美元。成本因模型大小而异；例如 Llama 3 70B 每百万个输入令牌的成本为 0.59 美元，每百万个输出令牌的成本为 0.79 美元，Gemma 7B 每百万个输入和输出令牌的成本为 0.07 美元。
NVIDIA NIM API 提供对各种经过预训的语言模型和其他 AI 模型的访问，这些模型经过 NVIDIA 的软件堆栈的优化和加速。通过 NVIDIA API 目录，开发者可以浏览和尝试来自 NVIDIA、Meta、Microsoft、Hugging Face 和其他提供商的 40 多种不同的模型。其中包括来自 Meta 的 Llama 3 70B、Microsoft 的 Mixtral 8x22B 和 NVIDIA 自己的 Nemotron 3 8B 等功能强大的文本生成模型，以及诸如 Stable Diffusion 和 Kosmos 2 之类的视觉模型。
NIM API 允许开发者使用几行代码轻松地将这些最先进的 AI 模型集成到他们的应用程序中。这些模型托管在 Nvidia 的基础设施上，并通过标准化的 OpenAI 兼容 API 公开，从而实现无缝集成。开发者可以使用托管 API 免费对他们的应用程序进行原型设计和测试，并可以选择在准备投入生产时使用最近推出的 Nvidia NIM 容器 在本地或云中部署这些模型。
Nvidia 为 NIM API 提供免费和付费层级。免费层级包括 1,000 个积分以供开始使用，而付费定价基于处理的令牌数量和模型大小，从较小模型（如 Gemma 7B）的每百万个令牌 0.07 美元到大型模型（如 Llama 3 70B）的每百万个输出令牌 0.79 美元不等。
上述列表是提供语言模型作为服务的推理平台的一个子集。在即将发布的文章中，我将介绍可以在 Kubernetes 上运行的自托管模型服务器和推理引擎。敬请期待。