Model bahasa besar (LLM) mendorong batasan kecerdasan buatan, tetapi ukurannya yang besar menimbulkan tantangan bagi efisiensi inferensi. Misalnya, model Llama 3 70B dan Llama 4 Scout 109B membutuhkan kapasitas memori yang sangat besar, seringkali melebihi kapasitas memori GPU yang tersedia. Ketika dimuat dengan presisi setengah, model ini masing-masing membutuhkan sekitar 140 GB dan 218 GB memori. Struktur data seperti cache kunci-nilai (KV) juga membutuhkan memori tambahan, yang dapat meningkat secara signifikan tergantung pada panjang konteks dan ukuran batch.

Untuk mengatasi kendala memori ini, NVIDIA telah memperkenalkan arsitektur seperti Grace Blackwell dan Grace Hopper, yang dilengkapi interkoneksi NVLink-C2C. Teknologi ini menyediakan koneksi yang koheren terhadap memori antara CPU dan GPU, memungkinkan ruang alamat memori bersama. Sistem memori terpadu ini memungkinkan CPU dan GPU untuk mengakses dan memproses data yang sama tanpa memerlukan transfer data eksplisit, sehingga memfasilitasi pemrosesan set data dan model besar yang melampaui batasan memori GPU tradisional.

Penerapan model pada platform seperti NVIDIA GH200 Grace Hopper Superchip memungkinkan mereka memanfaatkan memori bandwidth tinggi GPU dan memori LPDDR CPU secara mulus. Integrasi ini secara signifikan meningkatkan jumlah memori yang tersedia, memungkinkan model dan set data yang lebih besar untuk dijalankan tanpa mengalami kesalahan kehabisan memori.

Dalam praktiknya, upaya memuat model seperti Llama 3 70B ke GPU dengan kapasitas memori terbatas dapat mengakibatkan kesalahan kehabisan memori. Namun, dengan memanfaatkan alokasi memori terkelola dan arsitektur memori terpadu dari sistem seperti GH200, GPU dapat mengakses memori CPU tambahan. Pendekatan ini memungkinkan pengembang untuk menjalankan model yang melampaui batas fisik memori GPU, menghindari kebutuhan transfer data manual, dan menyederhanakan proses menjalankan LLM mutakhir pada platform perangkat keras canggih.