你有莫得过这样的体验：向AI助手问一个问题，它想考了几秒钟，然后给你一段精彩的回应。你嗟叹于它的智能，但阿谁“几秒钟”的恭候，总让你以为差了点什么。
另一边，ChatGPT、Claude、文心一言这些家具，背后的大模子一个比一个刚劲，参数目动辄上千亿，能写诗、能编程、能看病。但一朝把它们部署到执行家具中，问题就来了——反馈慢、老本高、并发一上来就崩。
这即是大模子行业的“终末一公里”问题：模子很灵敏，但用起来很慢。
这背后不是算力不够，而是推理架构的工程挑战。本文从工夫角度拆解，为什么大模子推理这样难，以及业界是如何处分这个问题的。
一、大模子推理的独到窘境
样貌会大模子推理为什么难，先样貌会它和传统AI推理的隔离。
1.1 传统推理 vs 自记忆生成
传统AI模子（比如图像分类、狡计检测）的推理是一次性的：输入一张图，模子狡计一次，输出一个末端。通盘经由是固定长度的狡计，输入有多大，狡计量就有多大。
大模子（比如GPT系列）的推理全都不同。它是自记忆生成的：模子一次只生成一个token（约莫0.75个英文单词），然后把重生成的token拼接到输入中，再生成下一个token。生成一段100个token的回应，模子要跑100次。
这意味着什么？生成一个短回应的狡计量，是图像分类的几十倍以至上百倍。况且跟着对话变长，狡计量线性增长——聊得越久，越慢。
1.2 推理的两个阶段：Prefill和Decoding
大模子的每一次生成，不错拆成两个阶段：
Prefill阶段（预填充）：模子读取用户输入的prompt，并行狡计通盘token的防范力矩阵。这个阶段狡计密集，但只作念一次。
Decoding阶段（逐词生成）：模子一个一个地生成新token，每生成一个，都要重新狡计现时token与之前通盘token的防范力。这个阶段是内存密集型的——主要的瓶颈不是算力，而是把模子权重从显存搬到狡计单位的速率。
用一个比方来富厚：Prefill像是“阅读富厚”——模子先把你的问题完整看一遍；Decoding像是“逐词回应”——每说一个字，都要讲究一下前边说过的通盘字。回应越长，讲究的职责量越大。
1.3 KV Cache：用内存换时刻
为了处分Decoding阶段交流狡计的问题，业界引入了KV Cache（键值缓存）。
旨趣很浅薄：在Prefill阶段狡计好的防范力键值对，缓存起来，Decoding阶段径直复用，不需要重新狡计。这是一种典型的“用空间换时刻”——祛除显存，换取更快的生成速率。
KV Cache的代价不小。以LLaMA-7B模子为例，生成2048个token时，KV Cache约莫占用1-2GB显存。若是同期处理多个肯求（比如同期劳动10个用户），光是KV Cache就要吃掉10-20GB显存——这如故是一张A10显卡的全部容量了。
KV Cache的存在，让大模子推理的显存占用酿成动态的：短对话占得少，长对话占得多。这让资源颐养变得相称复杂。
二、推理延伸的三大瓶颈
诠释晰了旨趣，咱们再来拆解延伸来自那处。
2.1 访存带宽：被忽略的罪魁罪魁
好多东说念主以为大模子慢是因为狡计量大。其实否则。
狡计一次矩阵乘法，GPU要作念的算术运算次数是固定的。但把模子权重从显存搬到狡计单位（SM）这个经由，蹧跶的时刻频频比狡计自身还多。这是因为显存带宽的增长速率远低于算力的增长速率。
用数字语言：一张NVIDIA A100显卡的算力是312 TFLOPS（每秒312万亿次浮点运算），但显存带宽唯有1.5 TB/s。关于LLaMA-7B（约70亿参数），每生成一个token，需要把通盘模子权重从显存中读取一遍。70亿个FP16参数占用14GB显存，读取一次需要约9毫秒——这还没开动算，光是把权重搬过来就花了9毫秒。
这即是为什么大模子推理被称为访存密集型任务：瓶颈不在狡计，在搬运数据。
2.2 动态批处理的衡量
为了进步隐隐量，推理系统会使用动态批处理：把多个用户的肯求攒在一齐，一次性提交给GPU狡计。
这样作念的自制是减少GPU的散逸时刻——GPU的并行才调很强，一次算1个请乞降一次算8个肯求，时刻差不了太多。坏处是：攒肯求的经由需要恭候，会让单次肯求的延伸加多。
批处理大小
单肯求延伸
举座隐隐量
1
50ms
20 req/s
8
65ms
123 req/s
32
120ms
267 req/s
64
210ms
305 req/s
从数据不错看出：批处理大小从1加多到8，隐隐量进步了6倍，澳门人·威尼斯官网(中国)登录入口延伸只加多了30%；但从8加多到64，隐隐量只进步了2.5倍，延伸却翻了3倍。这是一个需要细致调优的衡量。
2.3 变长序列的处理服从
用户的输入长度是立时的——有的只问一句话，有的贴一篇论文。GPU对这种变长序列的处理服从很低。
原因在于GPU的并行狡计模子：它条目通盘肯求的狡计体式一致。处理变长序列时，系统会把通盘肯求填充(padding)到归拢个长度，短的肯求后头补上无效数据。这会导致多量算力破坏在填凑数据上。
顶点情况下，9个短请乞降1个长肯求一齐批处理，狡计量可能比单并立理10个长肯求还大——因为填充带来了远大的破坏。
三、业界的主流优化决策
靠近这些窘境，学术界和工业界建议了一系列处分决策。
3.1 量化：让模子变“轻”
量化是当今最老到、最有用的加快技能。中枢想想：把模子权重从高精度（FP16）更始成低精度（INT8、INT4）。
FP16的每个数值用16位示意，INT8只用8位——体积消弱一半，INT4消弱到四分之一。体积变小意味着：显存占用减少、访存时刻裁汰、推理速率变快。
量化的代价是精度赔本。好音问是，当代量化工夫（如GPTQ、AWQ）不错把精度赔本截止在0.5%-1%以内，关于大多数应用场景全都不错接受。
实测数据显现，INT8量化后的LLaMA-7B模子，推理速率进步约2倍，显存占用减少50%；INT4量化的速率进步约3-4倍，显存占用减少75%。
3.2 FlashAttention：IO感知的防范力算法
圭臬的Attention狡计需要把通盘防范力矩阵（序列长度×序列长度）写入显存再读出。当序列很永劫（比如处理一篇长文档），这个矩阵可能大到几十GB，远超显存容量。
FlashAttention的中枢瞻念察是：为什么不径直在SRAM（片上高速缓存）里狡计防范力，省却写入显存的经由？
FlashAttention通过分块狡计和重排序，把防范力矩阵的狡计拆成多个小块，每个小块全都在SRAM内完成，不需要中间末端写入显存。后果惊东说念主：在长序列场景下，FlashAttention比圭臬Attention快2-4倍，显存占用从二次方降到线性。
当今FlashAttention如故成为大模子推理的事实圭臬，主流的推理框架（vLLM、TensorRT-LLM）都内置了这项工夫。
3.3 PagedAttention：操作系统的灵感
vLLM建议的PagedAttention模仿了操作系统的捏造内存想想。
传统决策的KV Cache是连接存储的——每个肯求的KV Cache占用一块连接的内存空间。当肯求长度变化时，需要不时地分派、开释、移动内存，导致显存碎屑化，行使率等闲在60%-70%。
PagedAttention把KV Cache分红固定大小的“页”（等闲16KB或64KB），不条目连接存储。这带来了两个自制：显存行使率进步到90%以上，不错零拷贝地分享宇宙前缀（比如系统辅导词）。
实测中，vLLM的隐隐量是传统决策的10-20倍——这不是渐进式纠正，是数目级的颠覆。
3.4 臆测解码：用“小灵敏”换速率
这是最反直观的优化：用一个小模子来帮大模子“猜词”。
旨趣如下：小模子（比如参数目唯有1亿）生成速率很快，但质地一般。大模子（参数目100亿）质地高，但生成慢。臆测解码让两个模子协同职责——小模子先快速生成多少个候选token，大模子一次性考据这些token是否正确。
因为大模子考据一批token的狡计量和生成一个token差未几，举座速率就上来了。在代码生成等细目性较强的场景，臆测解码不错将推理速率进步2-3倍。
四、不同场景的选型建议
大模子推理莫得放之四海王人准的决策，决策需要基于具体场景。
场景
延伸条目
隐隐量条目
推选决策
及时对话机器东说念主
中
INT4量化 + FlashAttention + 小批处理
离线批量处理
不敏锐
2026世界杯中国滚球app官网极高
INT8量化 + 精深处理 + PagedAttention
长文档摘抄
中等
低
FlashAttention + 臆测解码
角落开采部署
低
INT4/INT8量化 + 小模子蒸馏
若是你的场景是及时对话：优先保证延伸，罗致小批处理（batch size 4-8），协作INT4量化和FlashAttention。
若是你的场景是离线批处理：优先保证隐隐量，罗致精深处理（batch size 32-64），协作PagedAttention提高显存行使率。
若是你的场景是长高下文（比如处理几十页的PDF）：FlashAttention是必备工夫，PagedAttention也能匡助经管动态增长的KV Cache。
五、总结与瞻望
大模子推理的“终末一公里”问题，实质上是一个系统工程问题——不是模子不够强，而是如何让它在执行场景中跑得又快又低廉。
当今业界的优化地方正在从“单一工夫松弛”转向“全栈协同优化”：
算法层：量化和荒芜化在握续演进，1-bit量化如故开动干预实用阶段
系统层：PagedAttention独创了新的想路，改日可能会出现更多模仿操作系统假想的工夫
硬件层：GPU厂商开动在芯片中集成特别的Attention狡计单位，推理速率有望再进步一个数目级
关于开采者和企业来说，遴荐推理决策时应该记取三个原则：
先用最浅薄的决策跑通，不要过早优化
识别确切的瓶颈——是访存带宽、狡计才调，照旧显存容量？
系统性评估——延伸、隐隐、老本三者之间的衡量，莫得完竣的决策，唯有最适应的弃取
回到开首的问题：为什么AI很灵敏，但用起来很慢？
谜底不是“算力不够”澳门人·威尼斯官网(中国)登录入口，而是“咱们还在学习如何让灵敏的大脑跑得更快”。大模子从“能用”到“好用”，需要的不是更灵敏的模子，而是更灵敏的工程。
备案号: