图解大模型计算加速系列：分离式推理架构2，模糊分离与合并边界的chunked-prefills

文章预览

在 分离式推理架构1 中， 我们以DistServe为例，解释了“为何要使用分离式推理架构”：分离式推理架构可以解耦prefill（compute-bound）和decode（memory-bound）过程，使得不管是在硬件分配还是在并行策略上，这两者都能朝着独立的方向优化，同时改进TTFT和TPOT，而无需再像合并式推理架构那样，总是在这两者之间做trade off。 但是，读完这篇文章，你可能会有这样的疑惑： 如果我能采取一种方法，使得处于prefill阶段的请求和处于decode阶段的请求能组成一个batch同时计算 ，而在组建这样的batch的过程中，我又充分考虑了最大化GPU计算单元利用率、最小化IO读写次数（简而言之，怎么能榨干一块gpu我就怎么来）。那么这时，我是不是在不解耦的情况下，同样也能同时保全TTFT和TPOT呢？ 那么在这篇文章中，我们就来看看遵从这个思路设计的推理架构： Sarathi-Serv ………………………………