Transformer Glossary

静态-动态-连续批处理

• 参考
  • bentoml.com/llm/inference-optimization/static-dynamic-continuous-batching

推测解码

• 在不牺牲任何输出质量的前提下，降低 LLM 推理的延迟。
• 用一个小的、快的“草稿模型”大胆预测，再由大的、准的“权威模型”一次性并行验证。
• 如果草稿模型的预测大部分是正确的，那么系统就用一次大模型计算的成本，成功生成了多个 Token），从而加快速度。
• 草稿模型 (Draft Model)
• 权威模型 (Oracle Model)
• 参考
  • bentoml.com/llm/inference-optimization/speculative-decoding

预填充

• Prefill
• 特点
  • 并行度高
  • 计算密集型
  • 批处理友好
• 生成并填充初始的 KV 缓存

解码

• Decode / 解码 / 逐词生成
• 自回归地（Auto-regressive）逐个生成新的 Token。
• 特点
  • 串行度高: 必须生成第 N 个 Token 后，才能将其作为输入来生成第 N+1 个 Token。这是一个严格的顺序过程。
  • 内存带宽密集型 (Memory-Bound): 每生成一个新 Token，都需要从 GPU 显存中读取整个越来越大的 KV 缓存。这个过程的瓶颈不再是计算，而是 GPU 显存的读写速度。
  • 计算量小: 单个 Token 的生成计算量远小于 Prefill 阶段。

PD 分离

• Prefill-decode disaggregation / PD 分离 / 预填充-解码分离
  • 将预填充和解码过程分开，以提高效率和灵活性。
  • 关键： KV 缓存传递
  • Prefill Pool & Decode Pool
• 优势
  • 提高系统吞吐量
  • 优化资源利用率和成本
  • 降低延迟并提高服务质量 (QoS)
    • 影响 TTFT，但能提高 TPOT
  • 架构灵活性和解耦
    • Prefill 和 Decode 服务可以作为独立的微服务进行部署、管理和升级，系统架构更加清晰和健壮。
• 计算密集 <-> 内存密集
  • 资源不匹配
  • 队头阻塞 (Head-of-Line Blocking)
• 参考
  • bentoml.com/llm/inference-optimization/prefill-decode-disaggregation
  • arXiv:2401.09670arXivarXiv:2401.09670arXivAbstract · PDF · HTML
  • arXiv:2308.16369arXivarXiv:2308.16369arXivAbstract · PDF · HTML
    • “捎带”效应 (Piggybacking)

前缀缓存

• Prefix caching - 前缀缓存
• Prompt caching - 提示缓存
• Context caching - 上下文缓存
• 优势
  • 降低 TTFT
• 参考
  • bentoml.com/llm/inference-optimization/prefix-caching

前缀感知路由

• Prefix-aware routing
• 参考
  • bentoml.com/llm/inference-optimization/prefix-aware-routing

KV 缓存利用率感知负载均衡

• KV cache utilization-aware load balancing
• 参考
  • bentoml.com/llm/inference-optimization/kv-cache-utilization-aware-load-balancing

KV 缓存卸载

• KV cache offloading
• 参考
  • bentoml.com/llm/inference-optimization/kv-cache-offloading

数据张量管道专家混合并行

• 参考
  • bentoml.com/llm/inference-optimization/data-tensor-pipeline-expert-hybrid-parallelism

离线批处理推理

• 参考
  • bentoml.com/llm/inference-optimization/offline-batch-inference