孟令公-大模型推理性能优化与实践.pdf

《孟令公-大模型推理性能优化与实践.pdf》由会员分享，可在线阅读，更多相关《孟令公-大模型推理性能优化与实践.pdf（45页珍藏版）》请在三个皮匠报告上搜索。

1、孟令公 得物机器学习高级专家主要负责得物算法平台的相关研发工作。在得物从0到1打造通用大模型训练和推理平台。曾就职于腾讯、阿里等多家互联网大厂。2022年加入得物，专注于大模型相关技术，包括推理加速与各应用场景落地，曾在得物技术公众号发表过多篇高质量大模型相关文章，比如：利用多Lora节省大模型部署成本，KubeAI大模型推理加速实践，得物大模型平台接入最佳实践。演讲主题：大模型推理性能提升实践大模型推理性能优化与实践得物技术 孟令公大模型推理引擎设计KV Cache高效显存管理Prefill与Decode阶段的优化利用多Lora节省成本其它优化手段大模型推理引擎设计应用程序用户硬件支持：GP

2、U CPU NPU推理引擎核心模块模型支持调度器PrefillDecodeKV Cache管理Llama系列Qianwen系列Other大模型推理引擎设计 业务方在训练并部署大模型后，需要专用的大模型推理引擎来加速推理过程。当用户发送请求时，Req 会首先传递给应用程序；当应用程序会调用大模型的推理引擎来触发推理逻辑。大模型推理引擎的核心目标是提升推理速度和吞吐量，并兼容各种大模型和硬件。推理引擎的核心模块主要包括调度器、Prefill、Decode 和 KV Cache 管理，这四个部分是性能优化的关键。当然，它还包括 Token、DeToken、采样、模型支持、硬件支持(CUDA)等其他逻

3、辑。KVCache高效显存管理-自回归推理过程LLM输入：输出：人工智能是一项快速LLM发展快速LLM的发展LLM技术的退出条件：达到模型预定义的最大长度。遇到终止token。KVCache高效显存管理-Attention计算Input:XQ=Wq*XK=Wk*XV=Wv*X每次计算，只需要当前的Q，但是需要之前历史所有的K与V，因此需要为每个请求维护一个历史K与V的缓存，叫做KVCache。KVCache高效显存管理-KVCache与显存碎片REQ硬件支持：GPU CPU XPU推理引擎Layer1Layer2Layer3前向传播人工智能是一项快速发展的技术RESP需要为每个请求维护一个KV

4、Cache的缓存。随着吐出Token的增加，KVCache会持续增大。KVCache高效显存管理-KVCache与显存碎片 KVCache在系统中占比多少？KVCache的频繁申请与释放会带来什么问题？显存碎片！就像内存管理一样，频繁的申请与释放不规则的内存，时间长了都会产生大量碎片。图片来自论文：Efficient Memory Management for Large Language Model Serving with PagedAttentionKVCache高效显存管理-VLLM Paged Attention视频来自文章：vLLM:Easy,Fast,and Cheap LLM

5、Serving with PagedAttentionKVCache高效显存管理-VLLM Paged Attention VLLM 的 PagedAttention 是受操作系统虚拟内存和分页启发的注意力算法。它将注意力键和值（KV缓存）分成固定大小的页，非连续存储于内存中，从而高效管理内存，减少碎片，提高 系统的吞吐量。此外，它支持多序列共享内存，例如在并行采样时共享提示词的 KV 缓存，进一步降低内存开销并提升性能。KVCache高效显存管理-VLLM Paged Attention图片来自文章：vLLM:Easy,Fast,and Cheap LLM Serving with Page

6、dAttention由于采用了Paged AttentionvLLM 的吞吐量比 HF 高 8.5 倍至 15 倍。KVCache高效显存管理-SGLang Radix Attention图片来自文章：SGLang:Efficient Execution of Structured Language Model Programs蓝色框表示可共享的提示部分，绿色框表示不可共享的部分，黄色框标记不可共享的模型输出。可共享的元素包括少样本学习示例、自一致性中的问题、多轮对话中的聊天记录，以及思维树中的搜索历史。共享部分的KV Cache能否复用？KVCache高效显存管理-SGLang Radix