PANDUAN Teknis
PagedAttention dan vLLM
PagedAttention manages transformer key/value caches using fixed-size blocks mapped from logical token positions.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
This reduces cache-allocation waste and supports sharing, while vLLM’s actual throughput depends on the workload and system.
Menyelam Lebih Dalam
Ketika model bahasa menghasilkan teks, ia menyimpan 'cache KV' (vektor kunci dan nilai) untuk setiap token yang dilihatnya sehingga token berikutnya dapat menangani konteks penuh. Secara tradisional, setiap permintaan mencadangkan satu lempengan besar memori GPU yang bersebelahan dengan ukuran panjang maksimum yang mungkin, sehingga membuang-buang jumlah besar ketika urutannya lebih pendek atau panjangnya bervariasi. PagedAttention, yang diperkenalkan dalam makalah vLLM tahun 2023 dari UC Berkeley, meminjam ide paging memori virtual dari sistem operasi: ini membagi cache KV menjadi blok berukuran tetap yang dapat berada di mana saja dalam memori dan dialokasikan sesuai permintaan. Tabel pencarian memetakan posisi token logis ke blok fisik. Hal ini hampir menghilangkan fragmentasi memori dan memungkinkan blok dibagikan, misalnya ke beberapa keluaran dari prompt yang sama.
Implementasi Dunia Nyata
Menghosting API LLM sumber terbuka tempat vLLM melayani banyak pengguna obrolan secara bersamaan dari satu GPU dengan throughput tinggi
Berbagi prompt sistem yang panjang ke ribuan permintaan melalui cache awalan sehingga diproses satu kali, bukan berulang kali
Menjalankan pencarian berkas atau beberapa penyelesaian sampel yang berbagi blok KV untuk perintah umum melalui copy-on-write
Memotong pemborosan memori GPU akibat fragmentasi sehingga penyedia dapat mengemas lebih banyak sesi simultan ke perangkat keras yang sama
Masa Depan PagedAttention dan vLLM
vLLM telah menjadi tulang punggung inferensi sumber terbuka default, dan ide PagedAttention kini muncul di sebagian besar tumpukan penyajian. Harapkan cache awalan yang lebih dalam (menggunakan kembali perintah sistem cache di seluruh pengguna), pengisian awal dan dekode terpilah pada mesin terpisah, kebijakan penggusuran yang lebih cerdas, dan integrasi yang erat dengan kuantisasi dan dekode spekulatif. Ketika jendela konteks berkembang menjadi jutaan token, pengelolaan KV yang efisien menjadi lebih penting untuk menjaga layanan tetap terjangkau.
Mempraktikkannya
Mengapa itu penting
- Biaya dan anggaran. Keputusan arsitektur mendorong kinerja dan biaya pengoperasian selama bertahun-tahun.
- Keputusan yang lebih jelas. Pendidikan teknis membantu tim memilih tumpukan yang tepat, bukan hanya yang terbaru.
- Kontrol kualitas. Pilihan teknik yang lebih baik mengurangi insiden keandalan dalam produksi.
Hati-hati
- Mengoptimalkan satu tolok ukur dapat menyembunyikan kelemahan sistem yang lebih luas.
- Biaya infrastruktur dan pemeliharaan sering kali diremehkan.
- Kesenjangan keamanan dan kemampuan observasi dapat tumbuh seiring dengan semakin kompleksnya sistem.
Langkah selanjutnya
- Tentukan target latensi, kualitas, dan biaya sebelum penerapan.
- Tolok ukur dalam kondisi beban dan data yang realistis.
- Pemantauan instrumen untuk kesalahan, penyimpangan, dan dampak pengguna.
- Siapkan jalur rollback dan respons insiden sebelum melakukan penskalaan.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the PagedAttention and vLLM quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
What is PagedAttention and vLLM?
PagedAttention manages transformer key/value caches using fixed-size blocks mapped from logical token positions. This reduces cache-allocation waste and supports sharing, while vLLM’s actual throughput depends on the workload and system.
Apa yang disimpan 'cache KV' selama pembuatan teks?
Cache KV menyimpan vektor kunci dan nilai untuk setiap token sebelumnya, membiarkan model menangani konteks penuh tanpa menghitung ulang setiap langkah.
Konsep sistem operasi apa yang menginspirasi PagedAttention?
PagedAttention meminjam paging memori virtual: cache KV dibagi menjadi halaman berukuran tetap yang dapat berada di mana saja, dipetakan oleh tabel blok.
Masalah apa dengan alokasi cache KV tradisional yang dipecahkan oleh PagedAttention?
Memesan satu lempengan besar yang bersebelahan per permintaan, dengan ukuran panjang maksimal, akan membuang banyak memori GPU. Paging mengalokasikan blok-blok kecil sesuai permintaan, sehingga mengurangi limbah.
Bagaimana PagedAttention membiarkan banyak output berbagi memori untuk prompt umum?
Awalan yang identik (prompt bersama atau cabang pencarian sinar) merujuk pada halaman KV fisik yang sama, hanya menyalin ketika cabang menyimpang.
Di mana vLLM dan PagedAttention awalnya dikembangkan?
vLLM dan algoritma PagedAttention keluar dari UC Berkeley pada makalah tahun 2023 dan dengan cepat menjadi mesin penyajian sumber terbuka yang banyak digunakan.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini