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修起。你咋舌于它的智能，但阿谁“几秒钟”的恭候，总让你以为差了点什么。

另一边，ChatGPT、Claude、文心一言这些产物，背后的大模子一个比一个强劲，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试验产物中，问题就来了——反应慢、本钱高、并发一上来就崩。

这便是大模子行业的“终末一公里”问题：模子很智谋，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。本文从本领角度拆解，为什么大模子推理这样难，以及业界是如何措置这个问题的。

一、大模子推理的独到逆境

要统一大模子推理为什么难，先要统一它和传统AI推理的分辩。

1.1 传统推理 vs 自回来生成

传统AI模子（比如图像分类、规画检测）的推理是一次性的：输入一张图，模子打算一次，输出一个终端。通盘这个词经过是固定长度的打算，输入有多大，打算量就有多大。

大模子（比如GPT系列）的推理十足不同。它是自回来生成的：模子一次只生成一个token（简略0.75个英文单词），然后把腾达成的token拼接到输入中，再生成下一个token。生成一段100个token的修起，模子要跑100次。

这意味着什么？生成一个短修起的打算量，是图像分类的几十倍以致上百倍。何况跟着对话变长，打算量线性增长——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，并行打算通盘token的介意力矩阵。这个阶段打算密集，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，都要再行打算现时token与之前通盘token的介意力。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打算单位的速率。

用一个譬如来统一：Prefill像是“阅读统一”——模子先把你的问题完整看一遍；Decoding像是“逐词修起”——每说一个字，都要回首一下前边说过的通盘字。修起越长，回首的责任量越大。

1.3 KV Cache：用内存换时刻

为了措置Decoding阶段重迭打算的问题，业界引入了KV Cache（键值缓存）。

旨趣很浅易：在Prefill阶段打算好的介意力键值对，缓存起来，Decoding阶段径直复用，不需要再行打算。这是一种典型的“用空间换时刻”——甩掉显存，疏导更快的生成速率。

KV Cache的代价不小。以LLaMA-7B模子为例，生成2048个token时，KV Cache简略占用1-2GB显存。要是同期处理多个肯求（比如同期管事10个用户），光是KV Cache就要吃掉10-20GB显存——这仍是是一张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造成动态的：短对话占得少，长对话占得多。这让资源调养变得特殊复杂。

二、推理蔓延的三大瓶颈

说清楚了旨趣，咱们再来拆解蔓延来自那儿。

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打算量大。其实否则。

打算一次矩阵乘法，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打算单位（SM）这个经过，铺张的时刻赓续比打算自己还多。这是因为显存带宽的增长速率远低于算力的增长速率。

用数字言语：一张NVIDIA A100显卡的算力是312 TFLOPS（每秒312万亿次浮点运算），但显存带宽惟有1.5 TB/s。关于LLaMA-7B（约70亿参数），每生成一个token，需要把通盘这个词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。

这便是为什么大模子推理被称为访存密集型任务：瓶颈不在打算，在搬运数据。

2.2 动态批处理的衡量

为了提高朦拢量，推理系统会使用动态批处理：把多个用户的肯求攒在沿途，一次性提交给GPU打算。

这样作念的平正是减少GPU的安静时刻——GPU的并行智力很强，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：攒肯求的经过需要恭候，会让单次肯求的蔓延增多。

批处理大小

单肯求蔓延

合座朦拢量

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，朦拢量提高了6倍，王者荣耀下注平台2026最新版官方app下载蔓延只增多了30%；但从8增多到64，朦拢量只提高了2.5倍，蔓延却翻了3倍。这是一个需要紧密调优的衡量。

2.3 变长序列的处理效用

用户的输入长度是就地的——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效用很低。

原因在于GPU的并行打算模子：它条目通盘肯求的打算体式一致。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。这会导致多量算力豪侈在填凑数据上。

极点情况下，9个短请乞降1个长肯求沿途批处理，打算量可能比单悲怆理10个长肯求还大——因为填充带来了辽远的豪侈。

三、业界的主流优化决策

濒临这些逆境，学术界和工业界提议了一系列措置决策。

3.1 量化：让模子变“轻”

量化是现在最闇练、最灵验的加快妙技。中枢念念想：把模子权重从高精度（FP16）转机成低精度（INT8、INT4）。

FP16的每个数值用16位默示，INT8只用8位——体积收缩一半，INT4收缩到四分之一。体积变小意味着：显存占用减少、访存时刻镌汰、推理速率变快。

量化的代价是精度亏蚀。好音问是，当代量化本领（如GPTQ、AWQ）不错把精度亏蚀戒指在0.5%-1%以内，关于大多数应用场景十足不错接受。

实测数据泄露，INT8量化后的LLaMA-7B模子，推理速率提高约2倍，显存占用减少50%；INT4量化的速率提高约3-4倍，显存占用减少75%。

3.2 FlashAttention：IO感知的介意力算法

设施的Attention打算需要把通盘这个词介意力矩阵（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：为什么不径直在SRAM（片上高速缓存）里打算介意力，省却写入显存的经过？

FlashAttention通过分块打算和重排序，把介意力矩阵的打算拆成多个小块，每个小块十足在SRAM内完成，不需要中间终端写入显存。效用惊东说念主：在长序列场景下，FlashAttention比设施Attention快2-4倍，显存占用从二次方降到线性。

现在FlashAttention仍是成为大模子推理的事实设施，主流的推理框架（vLLM、TensorRT-LLM）都内置了这项本领。

3.3 PagedAttention：操作系统的灵感

vLLM提议的PagedAttention鉴戒了操作系统的臆造内存念念想。

传统决策的KV Cache是联络存储的——每个肯求的KV Cache占用一块联络的内存空间。当肯求长度变化时，需要常常地分拨、开释、迁移内存，导致显存碎屑化，诈欺率常常在60%-70%。

PagedAttention把KV Cache分红固定大小的“页”（常常16KB或64KB），不条目联络存储。这带来了两个平正：显存诈欺率提高到90%以上，不错零拷贝地分享人人前缀（比如系统辅导词）。

实测中，vLLM的朦拢量是传统决策的10-20倍——这不是渐进式革新，是数目级的颠覆。

3.4 猜度解码：用“小智谋”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（比如参数目惟有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。猜度解码让两个模子协同责任——小模子先快速生成多少个候选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的打算量和生成一个token差未几，合座速率就上来了。在代码生成等细则性较强的场景，猜度解码不错将推理速率提高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

蔓延条目

朦拢量条目

保举决策

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

极高

INT8量化 + 普遍处理 + PagedAttention

长文档节录

中等

低

FlashAttention + 猜度解码

旯旮建造部署

低

INT4/INT8量化 + 小模子蒸馏

要是你的场景是及时对话：优先保证蔓延，接管小批处理（batch size 4-8），和谐INT4量化和FlashAttention。

要是你的场景是离线批处理：优先保证朦拢量，接管普遍处理（batch size 32-64），和谐PagedAttention提高显存诈欺率。

要是你的场景是长落魄文（比如处理几十页的PDF）：FlashAttention是必备本领，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，试验上是一个系统工程问题——不是模子不够强，而是怎么让它在试验场景中跑得又快又低廉。

现在业界的优化方针正在从“单一本领冲突”转向“全栈协同优化”：

算法层：量化和寥落化在抓续演进，1-bit量化仍是开动干与实用阶段

系统层：PagedAttention创始了新的念念路，当年可能会出现更多鉴戒操作系统想象的本领

硬件层：GPU厂商开动在芯片中集成有利的Attention打算单位，推理速率有望再提高一个数目级

关于开辟者和企业来说，聘请推理决策时应该记着三个原则：

先用最浅易的决策跑通，不要过早优化

识别着实的瓶颈——是访存带宽、打算智力，照旧显存容量？

系统性评估——蔓延、朦拢、本钱三者之间的衡量，莫得齐全的决策，惟有最符合的弃取

回到开始的问题：为什么AI很智谋，但用起来很慢？

谜底不是“算力不够”，而是“咱们还在学习如何让智谋的大脑跑得更快”。大模子从“能用”到“好用”KPL王者IOS/安卓通用版/APP下载，需要的不是更智谋的模子，而是更智谋的工程。