大模型推理加速的常用手段
哪些公司问过
答案要点
- 区分 prefill 计算受限与 decode 访存受限,分别优化首 token 延迟和每 token 延迟
- KV Cache 省重复计算但占显存,PagedAttention 分页管理并支持前缀缓存
- 连续批处理按迭代调度请求,提升 GPU 利用率和吞吐,chunked prefill 平衡长输入
- runtime 优化:FlashAttention、算子融合、CUDA Graph;量化权重和 KV Cache
- 并行与调度:张量、流水线、专家并行,投机解码和 PD 分离进一步降延迟
易错点
- 把吞吐和延迟混为一谈,增大 batch 提升吞吐可能拉高单请求延迟
- 以为 KV Cache 没有代价,忽略长上下文下显存占用会限制并发
- 量化只看压缩率,不评估精度损失和目标硬件是否有对应的高效 kernel
面试官常见追问
- prompt 长度会影响 decode 阶段的速度吗?上下文长度呢?
- 模型和算子固定时,还有哪些因素影响推理速度?
- 一个优秀的推理框架核心技术点有哪些?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。