LegközelebbKövetkező útmutató
KServe és modellszolgáltatás a Kubernetesen
Műszaki
Műszaki ÚTMUTATÓ
Kiszolgáló architektúra, amely a nagy nyelvi modell-következtetést két külön fázisra – előtöltésre és dekódolásra – osztja, és különböző GPU-készleteken futtatja azokat.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez azért fontos, mert ennek a két fázisnak ellentétes hardveres étvágya van, és ha ugyanarra a gépre kényszerítjük őket, az elveszíti a kapacitást és rontja a várakozási időt.
Amikor egy LLM válaszol, két szakaszban működik. Az előtöltés egyszerre olvassa be a teljes promptot, és létrehozza a kulcsérték (KV) gyorsítótárat; ez egy nagy, párhuzamos, számításhoz kötött sorozat, amely telíti a GPU matematikai egységeit. A Decode ezután egyenként generál tokeneket, minden lépésben beolvassa a teljes KV gyorsítótárat – ez egy memóriasávszélességhez kötött, enyhén kiszámítható csordogálás. Együtt futva egy hosszú előtöltés mindenkinél leállítja a dekódolást (head-of-line blokkolás), és a kettő kötegelése interferenciát okoz. A szétbontás az egyik GPU-készleten előre kitölti, a másikon pedig dekódolja, és a KV-gyorsítótárat gyors összeköttetéseken, például NVLink-en vagy InfiniBandon keresztül továbbítja közöttük. Mindegyik készletet egymástól függetlenül hangolják és skálázzák, javítva a jó teljesítményt, kisimítva a farok késleltetését, és lehetővé téve az operátorok számára, hogy egyszerre érjék el az első tokenig és a kimenetenkénti időre vonatkozó célokat.
A csevegési asszisztens a hosszú dokumentumkérdéseket egy nagy számításigényű előtöltési fürthöz irányítja, majd egy memóriaoptimalizált dekódolófürtből streameli a válaszokat, hogy a gépelési várakozási idő zökkenőmentes legyen.
Az NVIDIA Dynamo és a vLLM lehetővé teszi az operátorok számára, hogy külön előtöltési és dekódoló munkacsoportokat telepítsenek, így a hosszú felszólítások sorozata nem fagyasztja le a folyamatban lévő generációkat.
A Mooncake (a Moonshot AI Kimi által használt) szétbontja az előtöltést és dekódolást, és hozzáad egy elosztott KV-gyorsítótárat, hogy csökkentse a redundáns azonnali újraszámítást.
A kódkiegészítő szolgáltatás egy kis előkitöltési készletet szán a rövid promptokhoz és egy nagy dekódolási készletet, mivel a legtöbb költség sok kimeneti token streameléséből származik.
Várhatóan a bontás lesz az alapértelmezett a termelési veremekben. Az olyan rendszerek, mint a DistServe, a Splitwise és a Mooncake népszerűsítették, a vLLM és az NVIDIA Dynamo pedig bontott módokat szállít. A kutatások előmozdítják a KV-gyorsítótár átvitelének optimalizálását, a gyorsítótár-összevonást és a kérések közötti újrafelhasználást, az előtöltési/dekódolási arányok dinamikus újraegyensúlyozását változó forgalom mellett, valamint az előtag gyorsítótárazásával és a darabolt előtöltéssel való szorosabb integrációt. Ahogy a kontextusablakok több millió tokenekké nőnek, e fázisok szétválasztása egyre fontosabbá válik a költséghatékony, alacsony késleltetésű kiszolgáláshoz.
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
Kiszolgáló architektúra, amely a nagy nyelvi modell-következtetést két külön fázisra – előtöltésre és dekódolásra – osztja, és különböző GPU-készleteken futtatja azokat. Ez azért fontos, mert ennek a két fázisnak ellentétes hardveres étvágya van, és ha ugyanarra a gépre kényszerítjük őket, az elveszíti a kapacitást és rontja a várakozási időt.
A Prefill párhuzamosan dolgozza fel a teljes promptot, és telíti a számítást, míg a dekódolás minden lépésben beolvassa a KV-gyorsítótárat, és korlátozza a memória sávszélessége – az ellenkező étvágy indokolja a különálló, egymástól függetlenül hangolt készleteket.
A Prefill létrehozza a KV gyorsítótárat a prompt számára; A dekódolásnak szüksége van erre a gyorsítótárra a generálás folytatásához, így a gyorsítótár egy gyors összeköttetésen keresztül kerül a dekódolási készletbe.
A megosztott GPU-kon egy hosszú előtöltő sorozat blokkolhatja a folyamatban lévő dekódolási lépéseket; szétválasztásuk megakadályozza az interferenciát és stabilizálja a farok késleltetését.
Az előtöltés együtt dolgozza fel az összes prompt tokent, így a nagyobb tételek jól táplálják a tenzormagokat; A decode egyszerre egy tokent generál, és a memória kapuzza, ezért eltérően skálázódik.
Nagy sávszélességű, alacsony késleltetésű kapcsolatokra van szükség, mint például az NVLink (csomóponton belüli) és az InfiniBand (csomópontközi), hogy ne a KV-gyorsítótár átvitele legyen az új szűk keresztmetszet.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
KServe és modellszolgáltatás a Kubernetesen
Műszaki