Műszaki ÚTMUTATÓ

Folyamatos adagolás

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

Ezen az oldalon2 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. A folyamatos adagolás jövője
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

It can improve serving utilization, while capacity limits and scheduling policy still govern latency.

Mély merülés

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.

Valós megvalósítás

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

A folyamatos adagolás jövője

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.

A gyakorlatba ültetés

Miért számít

  • Költség és költségvetés. Az építészeti döntések évekig növelik a teljesítményt és a működési költségeket.
  • Tisztább döntések. A technikai oktatás segít a csapatoknak a megfelelő verem kiválasztásában, nem csak a legújabb készletben.
  • Minőségellenőrzés. A jobb mérnöki döntések csökkentik a termelés megbízhatósági incidenseit.

Vigyázz

  • Egy benchmark optimalizálása elrejtheti a rendszer általános hiányosságait.
  • Az infrastrukturális és karbantartási költségeket gyakran alábecsülik.
  • A biztonsági és megfigyelhetőségi hiányosságok a rendszerek bonyolultabbá válásával nőhetnek.

Következő lépések

  1. Határozza meg a késleltetési, minőségi és költségcélokat a megvalósítás előtt.
  2. Benchmark reális terhelési és adatviszonyok mellett.
  3. Műszerfigyelés a hibák, az eltolódás és a felhasználói hatások szempontjából.
  4. A méretezés előtt készítse elő a visszagörgetési és az incidensre adott válaszútvonalakat.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

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

Take the Continuous Batching quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Mi az a folyamatos kötegelés?

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.

Mi a statikus (rögzített) kötegelés fő gyengesége az LLM-kiszolgáláshoz?

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.

Milyen részletességgel ad hozzá és távolítja el a kéréseket a folyamatos kötegelés?

A folyamatos (iterációs szintű) kötegelés minden egyes dekódolási lépés után frissíti az aktív készletet, így nem teljes kérésenként, hanem tokenenként működik.

A continuous-batching request finishes and frees capacity. What can the scheduler do next?

Iteration-level scheduling can refill available capacity subject to memory, token, and other limits.

Melyik technika párosul természetesen a folyamatos kötegeléssel, hogy olcsó legyen a szekvenciák beillesztése/eltávolítása?

A PagedAttention az egyes szekvenciák KV gyorsítótárát független blokkokban tárolja, így egy szekvencia repülés közbeni hozzáadása vagy eltávolítása nem zavarja mások memóriáját.

Melyik kutatási cikknek tulajdonítják általában az iterációs szintű (folyamatos) kötegelés népszerűsítését?

Az Orca-dokumentum bevezette az iterációs szintű ütemezést, és az ötletet átvették a kiszolgáló rendszerek, például a vLLM, a TGI és a TensorRT-LLM.