Преглед
PagedAttention е техника за управление на паметта, която съхранява кеша за внимание на езиков модел в малки блокове за многократна употреба вместо в едно голямо непрекъснато парче. Той захранва vLLM, обслужваща машина с отворен код, която драстично увеличава колко заявки може да обработи един GPU.
PagedAttention и vLLM е технически градивен елемент, който влияе върху качеството на модела, цената на инфраструктурата, латентността и надеждността в мащаб.
Дълбоко гмуркане
Когато езиков модел генерира текст, той запазва „KV кеш“ (вектори на ключ и стойност) за всеки токен, който е видял, така че следващият токен да може да се погрижи за пълния контекст. Традиционно всяка заявка запазваше една голяма непрекъсната плоча GPU памет, оразмерена за максималната възможна дължина, като се губеха огромни количества, когато последователностите бяха по-къси или с различна дължина. PagedAttention, въведен в доклада за vLLM от 2023 г. от Калифорнийския университет в Бъркли, заимства идеята за пейджинг на виртуална памет от операционните системи: той разделя KV кеша на блокове с фиксиран размер, които могат да живеят навсякъде в паметта и да бъдат разпределени при поискване. Справочна таблица картографира позициите на логически токени към физически блокове. Това почти елиминира фрагментирането на паметта и позволява споделянето на блокове, например между множество изходи от една и съща подкана.
Техническа информация
KV кешът е разделен на страници с фиксиран размер, всяка от които съдържа ключовете и стойностите за определен брой токени. Блокова таблица за последователност картографира логическите позиции към местоположенията на физическите страници, така че не е необходимо кешът на последователността да е непрекъснат. Тъй като идентични префикси (споделена системна подкана или клонове за търсене на лъч) могат да сочат към едни и същи физически страници чрез копиране при запис, паметта се използва повторно, вместо да се дублира, намалявайки отпадъците от над 60% до няколко процента.
Овладяване на PagedAttention и vLLM
PagedAttention е техника за управление на паметта, която съхранява кеша за внимание на езиков модел в малки блокове за многократна употреба вместо в едно голямо непрекъснато парче. Той захранва vLLM, обслужваща машина с отворен код, която драстично увеличава колко заявки може да обработи един GPU. PagedAttention и vLLM е технически градивен елемент, който влияе върху качеството на модела, цената на инфраструктурата, латентността и надеждността в мащаб. За да изградите дълбоко разбиране, третирайте PagedAttention и vLLM като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи PagedAttention и vLLM, оптимизират избора на архитектура, данни и инфраструктура срещу надеждност и цена. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Архитектурните решения стимулират производителността и оперативните разходи в продължение на години. В същото време оптимизирането на един бенчмарк може да скрие по-широки системни слабости. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Архитектурните решения стимулират производителността и оперативните разходи в продължение на години.
Архитектурните решения стимулират производителността и оперативните разходи в продължение на години. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Техническото образование помага на екипите да изберат правилния стек, а не само най-новия.
Техническото образование помага на екипите да изберат правилния стек, а не само най-новия. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
По-добрият инженерен избор намалява инцидентите, свързани с надеждността в производството.
По-добрият инженерен избор намалява инцидентите, свързани с надеждността в производството. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Хостинг на LLM API с отворен код, където vLLM обслужва много едновременни потребители на чат от един GPU при висока пропускателна способност
Споделяне на дълга системна подкана в хиляди заявки чрез кеширане на префикси, така че да се обработва веднъж, а не многократно
Търсене с бягащ лъч или множество извадки завършвания, които споделят KV блокове за общата подкана чрез копиране при запис
Намаляване на загубата на GPU памет от фрагментация, така че доставчикът да може да пакетира повече едновременни сесии на един и същ хардуер
Модели на изпълнение
PagedAttention и vLLM на практика
Хостинг на LLM API с отворен код, където vLLM обслужва много едновременни потребители на чат от един GPU при висока пропускателна способност.
Хостинг на LLM API с отворен код, където vLLM обслужва много едновременни потребители на чат от един графичен процесор при висока пропускателна способност. Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
PagedAttention и vLLM на практика
Споделяне на дълга системна подкана в хиляди заявки чрез кеширане на префикси, така че да се обработва веднъж, а не многократно.
Споделяне на дълга системна подкана в хиляди заявки чрез кеширане на префикси, така че да се обработва веднъж, а не многократно Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
PagedAttention и vLLM на практика
Търсене с бягащ лъч или множество извадки от завършвания, които споделят KV блокове за общата подкана чрез копиране при запис.
Търсене с лъч или множество извадки, които споделят KV блокове за общата подкана чрез копиране при запис. Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество отпред, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
PagedAttention и vLLM на практика
Намаляване на загубата на GPU памет от фрагментация, така че доставчикът да може да пакетира повече едновременни сесии на един и същ хардуер.
Намаляване на загубата на GPU памет от фрагментация, така че доставчикът да може да опакова повече едновременни сесии на един и същ хардуер Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Оптимизирането на един бенчмарк може да скрие по-широки системни слабости.
Разходите за инфраструктура и поддръжка често се подценяват.
Пропуските в сигурността и видимостта могат да нарастват, когато системите стават по-сложни.
Пътна карта за изпълнение
Определете целите за латентност, качество и разходи преди внедряването.
Определете целите за латентност, качество и разходи преди внедряването. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Бенчмарк при реалистични условия на натоварване и данни.
Бенчмарк при реалистични условия на натоварване и данни. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Мониторинг на инструмента за грешки, отклонение и въздействие върху потребителя.
Мониторинг на инструмента за грешки, отклонение и въздействие върху потребителя. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Подгответе пътеките за връщане назад и реакция на инцидент преди мащабиране.
Подгответе пътеките за връщане назад и реакция на инцидент преди мащабиране. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.