LegközelebbKövetkező útmutató
Folyamatos képzés és automatizált átképzés
Műszaki
Műszaki ÚTMUTATÓ
A folyamatos kötegelés (continuous batching) a generálási iterációk között frissíti az aktív kérések halmazát ahelyett, hogy egy rögzített köteget tartana fenn az összes kérés befejeződéséig.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
It can improve serving utilization, while capacity limits and scheduling policy still govern latency.
GPUs are fastest when they process many requests together in a batch. The naive approach, static batching, groups a fixed set of requests, runs them all to completion, then starts the next batch. The problem: language model outputs vary wildly in length, so short requests finish early and their slots sit idle while the batch waits for the longest one, wasting GPU cycles and delaying new arrivals. Continuous batching (also called in-flight or iteration-level batching, popularized by the Orca paper and used in vLLM, TensorRT-LLM, and TGI) operates at the granularity of a single decoding step. After each token is generated, finished sequences exit the batch and queued requests can be admitted when the scheduler has capacity. Iteration-level admission can improve utilization and reduce avoidable waiting compared with fixed batches; the measured effect depends on request lengths, capacity, and scheduling.
Egy chat API, amely az újonnan érkezett felhasználói üzeneteket azonnal beengedi a futó kötegbe, ahelyett, hogy sorba állítaná őket a következő köteghez
A rövid kitöltött válasz kidobása a köteg közepén, és a nyílás visszatöltése, hogy a GPU soha ne tétlenül várjon egy hosszú generációra
A folyamatos kötegelés kombinálása a vLLM PagedAttention funkciójával a szekvenciák olcsó beszúrásához és eltávolításához minden dekódolási lépésnél
Kód-kiegészítő szolgáltatás, amely magas másodpercenkénti tokeneket tart fenn burst, változó hosszúságú forgalom alatt azáltal, hogy a köteg tele van
Serving teams balance throughput with time to first token and time between generated tokens. Long prefill work can delay decoding unless the scheduler splits or otherwise manages it. Capacity budgets, request priorities, and fairness policies determine which work is admitted. Continuous batching can be combined with paged caches, chunked prefill, and speculative decoding, but each combination should be measured on the actual traffic and hardware.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Continuous batching updates the active request set between generation iterations instead of holding one fixed batch until every request finishes. It can improve serving utilization, while capacity limits and scheduling policy still govern latency.
Mivel a kimeneti hossza változó, a kész sorozatok tétlenül állnak addig, amíg a leglassabb be nem fejeződik, így elpazarolják a GPU-ciklusokat és késleltetik az új kéréseket.
A folyamatos (iterációs szintű) kötegelés minden egyes dekódolási lépés után frissíti az aktív készletet, így nem teljes kérésenként, hanem tokenenként működik.
Iteration-level scheduling can refill available capacity subject to memory, token, and other limits.
A PagedAttention az egyes szekvenciák KV gyorsítótárát független blokkokban tárolja, így egy szekvencia repülés közbeni hozzáadása vagy eltávolítása nem zavarja mások memóriáját.
Az Orca-dokumentum bevezette az iterációs szintű ütemezést, és az ötletet átvették a kiszolgáló rendszerek, például a vLLM, a TGI és a TensorRT-LLM.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Folyamatos képzés és automatizált átképzés
Műszaki