你有莫得过这样的体验：向AI助手问一个问题，它念念考了几秒钟，然后给你一段精彩的复兴。你惊奇于它的智能，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践诺家具中，问题就来了——反应慢、老本高、并发一上来就崩。

这便是大模子行业的“终末一公里”问题：模子很贤慧，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。本文从时期角度拆解，为什么大模子推理这样难，以及业界是如何贬责这个问题的。

一、大模子推理的私有逆境

才智略大模子推理为什么难，先才智略它和传统AI推理的分辨。

1.1 传统推理 vs 自回顾生成

传统AI模子（比如图像分类、目的检测）的推理是一次性的：输入一张图，模子贪图一次，输出一个收尾。通盘经由是固定长度的贪图，输入有多大，贪图量就有多大。

大模子（比如GPT系列）的推理皆备不同。它是自回顾生成的：模子一次只生成一个token（简略0.75个英文单词），然后把壮盛成的token拼接到输入中，再生成下一个token。生成一段100个token的复兴，模子要跑100次。

这意味着什么？生成一个短复兴的贪图量，是图像分类的几十倍甚而上百倍。并且跟着对话变长，贪图量线性增长——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，并行贪图系数token的注释力矩阵。这个阶段贪图密集，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，都要再行贪图面前token与之前系数token的注释力。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贪图单位的速率。

用一个譬如来认知：Prefill像是“阅读认知”——模子先把你的问题完整看一遍；Decoding像是“逐词复兴”——每说一个字，都要记忆一下前边说过的系数字。复兴越长，记忆的责任量越大。

1.3 KV Cache：用内存换时候

为了贬责Decoding阶段重迭贪图的问题，业界引入了KV Cache（键值缓存）。

旨趣很浅薄：在Prefill阶段贪图好的注释力键值对，缓存起来，Decoding阶段告成复用，不需要再行贪图。这是一种典型的“用空间换时候”——殉难显存，磋议更快的生成速率。

KV Cache的代价不小。以LLaMA-7B模子为例，生成2048个token时，皇冠体育(CrownSports)官网KV Cache简略占用1-2GB显存。若是同期处理多个央求（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。这让资源援救变得终点复杂。

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儿。

2.1 访存带宽：被忽略的罪魁罪魁

好多东谈主以为大模子慢是因为贪图量大。其实否则。

贪图一次矩阵乘法，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贪图单位（SM）这个经由，滥用的时候往往比贪图自身还多。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——这还没驱动算，光是把权重搬过来就花了9毫秒。

这便是为什么大模子推理被称为访存密集型任务：瓶颈不在贪图，在搬运数据。

2.2 动态批处理的量度

为了擢升模糊量，推理系统会使用动态批处理：把多个用户的央求攒在一齐，一次性提交给GPU贪图。

这样作念的平正是减少GPU的平静时候——GPU的并行才智很强，一次算1个请乞降一次算8个央求，时候差不了太多。坏处是：攒央求的经由需要恭候，会让单次央求的延伸增多。

批处理大小

单央求延伸

举座模糊量

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增多到8，模糊量擢升了6倍，LOL下注延伸只增多了30%；但从8增多到64，模糊量只擢升了2.5倍，延伸却翻了3倍。这是一个需要缜密调优的量度。

2.3 变长序列的处理遵守

用户的输入长度是立地的——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遵守很低。

原因在于GPU的并行贪图模子：它条目系数央求的贪图形状一致。处理变长序列时，系统会把系数央求填充(padding)到统一个长度，短的央求后头补上无效数据。这会导致多量算力奢靡在填凑数据上。

极点情况下，9个短请乞降1个长央求一齐批处理，贪图量可能比单孤立理10个长央求还大——因为填充带来了纷乱的奢靡。

三、业界的主流优化决策

濒临这些逆境，学术界和工业界建议了一系列贬责决策。

3.1 量化：让模子变“轻”

量化是现在最老到、最有用的加快技能。中枢念念想：把模子权重从高精度（FP16）转化成低精度（INT8、INT4）。

FP16的每个数值用16位暗示，INT8只用8位——体积放松一半，INT4放松到四分之一。体积变小意味着：显存占用减少、访存时候指责、推理速率变快。

量化的代价是精度吃亏。好音尘是，当代量化时期（如GPTQ、AWQ）不错把精度吃亏抑遏在0.5%-1%以内，关于大多数应用场景皆备不错接纳。

实测数据线路，INT8量化后的LLaMA-7B模子，推理速率擢升约2倍，显存占用减少50%；INT4量化的速率擢升约3-4倍，显存占用减少75%。

3.2 FlashAttention：IO感知的注释力算法

范例的Attention贪图需要把通盘注释力矩阵（序列长度×序列长度）写入显存再读出。当序列很万古（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：为什么不告成在SRAM（片上高速缓存）里贪图注释力，免却写入显存的经由？

FlashAttention通过分块贪图和重排序，把注释力矩阵的贪图拆成多个小块，每个小块皆备在SRAM内完成，不需要中间收尾写入显存。恶果惊东谈主：在长序列场景下，FlashAttention比范例Attention快2-4倍，显存占用从二次方降到线性。

现在FlashAttention如故成为大模子推理的事实范例，主流的推理框架（vLLM、TensorRT-LLM）都内置了这项时期。

3.3 PagedAttention：操作系统的灵感

vLLM建议的PagedAttention鉴戒了操作系统的诬捏内存念念想。

传统决策的KV Cache是流畅存储的——每个央求的KV Cache占用一块流畅的内存空间。当央求长度变化时，需要经常地分拨、开释、移动内存，导致显存碎屑化，哄骗率平凡在60%-70%。

PagedAttention把KV Cache分红固定大小的“页”（平凡16KB或64KB），不条目流畅存储。这带来了两个平正：显存哄骗率擢升到90%以上，不错零拷贝地分享群众前缀（比如系统辅导词）。

实测中，vLLM的模糊量是传统决策的10-20倍——这不是渐进式改动，是数目级的颠覆。

3.4 忖度解码：用“小贤慧”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，但质料一般。大模子（参数目100亿）质料高，但生成慢。忖度解码让两个模子协同责任——小模子先快速生成几许个候选token，大模子一次性考证这些token是否正确。

因为大模子考证一批token的贪图量和生成一个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，忖度解码不错将推理速率擢升2-3倍。

四、不同场景的选型建议

大模子推理莫得放之四海皆准的决策，决策需要基于具体场景。

场景

延伸条目

模糊量条目

推选决策

及时对话机器东谈主

中

INT4量化 + FlashAttention + 小批处理

离线批量处理

不解锐

极高

INT8量化 + 大宗处理 + PagedAttention

长文档摘录

中等

低

FlashAttention + 忖度解码

角落配置部署

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，接收小批处理（batch size 4-8），调和INT4量化和FlashAttention。

若是你的场景是离线批处理：优先保证模糊量，接收大宗处理（batch size 32-64），调和PagedAttention提高显存哄骗率。

若是你的场景是长高下文（比如处理几十页的PDF）：FlashAttention是必备时期，PagedAttention也能匡助料理动态增长的KV Cache。

五、总结与预测

大模子推理的“终末一公里”问题，骨子上是一个系统工程问题——不是模子不够强，而是若何让它在践诺场景中跑得又快又低廉。

现在业界的优化标的正在从“单一时期冲突”转向“全栈协同优化”：

算法层：量化和寥落化在抓续演进，1-bit量化如故驱动插足实用阶段

系统层：PagedAttention创举了新的念念路，已往可能会出现更多鉴戒操作系统设想的时期

硬件层：GPU厂商驱动在芯片中集成迥殊的Attention贪图单位，推理速率有望再擢升一个数目级

关于开拓者和企业来说，遴荐推理决策时应该记着三个原则：

先用最浅薄的决策跑通，不要过早优化

识别确凿的瓶颈——是访存带宽、贪图才智，照旧显存容量？

系统性评估——延伸、模糊、老本三者之间的量度，莫得完好意思的决策，唯有最安妥的弃取

回到来源的问题：为什么AI很贤慧，但用起来很慢？

谜底不是“算力不够”LOL比赛下注2026中国官网入口，而是“咱们还在学习如何让贤慧的大脑跑得更快”。大模子从“能用”到“好用”，需要的不是更贤慧的模子，而是更贤慧的工程。