TensorRT-LLM（テンサーアールティーエルエルエム）
TensorRT-LLMは、NVIDIAが開発するLLM推論最適化ライブラリ。TensorRTコンパイラを活用してTransformerモデルをNVIDIA GPU向けに最適化し、FP8/INT4量子化・カーネルフュージョン・インフライトバッチングを組み合わせてH100/A100上で業界最高水準の推論スループットを達成する。Triton Inference Serverとの統合によりエンタープライズグレードのサービング基盤を提供する。
TensorRT-LLMとは
TensorRT-LLMは、NVIDIAが2023年にオープンソース化したLLM推論最適化ライブラリである。NVIDIA独自のディープラーニング推論コンパイラ「TensorRT」をLLM向けに拡張し、Transformerアーキテクチャに特化した最適化を施す。Hopper世代（H100/H200）のFP8 Tensor Core、Ada Lovelace世代（RTX 4090/L40S）のINT8/FP8対応を最大限に活用し、同一ハードウェアでvLLMやTGIを20〜40%上回るスループットを実現する。
TensorRT-LLMの最大の特徴は「ビルド」プロセスにある。PyTorchの重みファイル（safetensors/HF形式）を入力とし、TensorRTエンジン（.engine/.plan ファイル）にコンパイルする。このビルド工程でレイヤーフュージョン・メモリプランニング・カーネル自動選択が行われ、推論時のオーバーヘッドを最小化する。ビルドには数十分〜数時間かかるが、一度ビルドしたエンジンは繰り返し使用でき、起動時間はモデルロードのみ。
コンパイル最適化の仕組み
レイヤーフュージョン（Layer Fusion）
TensorRTコンパイラは、連続する演算（LayerNorm → Linear → GELU → Linear）を単一のCUDAカーネルに融合する。これによりカーネル起動オーバーヘッドとGPUメモリ帯域の消費が削減される。Transformerの1ブロック内で通常6〜10回のカーネル起動が、フュージョン後は2〜3回に削減される。
カーネル自動選択（Auto-Tuning）
ビルド時に複数のカーネル実装（異なるタイルサイズ、メモリアクセスパターン）を自動ベンチマークし、対象GPUアーキテクチャで最速のカーネルを選択する。これにより、同一モデルでもH100とA100で異なる最適カーネルが自動的に選択される。
メモリプランニング
推論時のテンソル間メモリ再利用を静的に計画する。ある層の出力テンソルが以降の計算で不要になった時点で、そのメモリ領域を別のテンソルに再利用する。動的メモリ確保のオーバーヘッドを排除し、ピークメモリ使用量を10〜20%削減する。
| 最適化手法 | 効果 | 適用対象 |
|---|---|---|
| レイヤーフュージョン | カーネル起動回数50〜70%削減 | 全GPUアーキテクチャ |
| FP8量子化 | メモリ50%削減、演算2倍速 | Hopper (H100/H200) |
| INT4 (W4A16) | メモリ75%削減 | Ada/Hopper |
| カーネル自動選択 | スループット5〜15%向上 | 全GPUアーキテクチャ |
| メモリプランニング | ピークメモリ10〜20%削減 | 全GPUアーキテクチャ |
FP8量子化とHopper世代の活用
H100 GPUのFP8 Tensor Coreは、FP16と比較して理論演算性能が2倍（1,979 TFLOPS → 3,958 TFLOPS）に達する。TensorRT-LLMのFP8量子化は以下の2つのモードを提供する。
Weight-Only FP8
重みのみをFP8で格納し、活性化はFP16のまま計算する。精度劣化が最小限（MMLU差分0.1%未満）で、メモリ使用量を約50%削減。最も安全な量子化オプション。
Weight-and-Activation FP8（W8A8）
重みと活性化の両方をFP8で計算する。Tensor Coreの全性能を活用でき、FP16比で実効スループット1.5〜1.8倍を達成する。キャリブレーションデータセット（通常500〜1000サンプル）を用いてスケーリングファクターを事前計算する必要がある。
Triton Inference Server連携
TensorRT-LLMはTriton Inference ServerのバックエンドとしてデプロイされるのがNVIDIA公式推奨の構成である。
Triton統合の利点
- マルチモデル管理: 1つのTritonインスタンスで複数のLLMエンジンを同時ホスト
- 動的バッチング: Tritonのスケジューラとインフライトバッチングの二重最適化
- モデルアンサンブル: 前処理（トークナイゼーション）→ LLM推論 → 後処理をパイプラインとして定義
- Prometheus/Grafanaモニタリング: リクエストレイテンシ・スループット・GPUメモリのリアルタイム監視
- gRPC/REST API: クライアント言語非依存のインターフェース
デプロイ構成例
model_repository/
├── preprocessing/
│ ├── config.pbtxt
│ └── 1/model.py
├── tensorrt_llm/
│ ├── config.pbtxt
│ └── 1/
│ ├── config.json
│ └── *.engine
└── postprocessing/
├── config.pbtxt
└── 1/model.py
vLLMとの比較
| 項目 | TensorRT-LLM | vLLM |
|---|---|---|
| 最大スループット | ◎（業界最速） | ○（TRT-LLMの70〜85%） |
| セットアップ容易性 | △（ビルド必要） | ◎（pip install即起動） |
| GPU対応 | NVIDIA専用 | NVIDIA, AMD, TPU |
| モデル切り替え速度 | △（再ビルド必要） | ◎（即時切り替え） |
| 量子化精度 | ◎（FP8キャリブレーション） | ○（AWQ/GPTQ） |
| エンタープライズサポート | ◎（NVIDIA公式） | ○（コミュニティ主導） |
| LoRA動的ロード | ○（対応） | ◎（成熟） |
| コミュニティ規模 | ○（中規模） | ◎（最大） |
よくある質問（FAQ）
Q1: TensorRT-LLMのビルドにはどれくらい時間がかかりますか？
モデルサイズとGPUによる。Llama 3.1 8B（FP16）をA100上でビルドする場合、約10〜15分。70B（FP8、TP=4）の場合は30〜60分。405B（TP=8、PP=2）では数時間を要する。ビルド済みエンジンはモデルバージョンとGPUアーキテクチャに紐付くため、異なるGPU世代では再ビルドが必要。
Q2: TensorRT-LLMはオープンソースですか？
Apache 2.0ライセンスでオープンソースである。ただし依存するTensorRTランタイム自体はNVIDIA独自のクローズドソースバイナリであり、NVIDIA GPU以外では動作しない。AMD GPU上でTensorRT-LLMを使うことはできないため、マルチGPUベンダー対応が必要な場合はvLLMが適切。
Q3: 既存のHugging Faceモデルをそのまま使えますか？
直接は使えないが、変換は容易。trtllm-buildコマンドでHugging Face形式の重みファイルをTensorRTエンジンに変換する。公式リポジトリに主要モデル（Llama/Mistral/Falcon/GPT-J/Phi等）の変換スクリプトが用意されており、コマンド1つで変換可能。カスタムアーキテクチャの場合は、Python APIでモデル定義を記述する必要がある。