Dosaggio continuo
Il batch continuo è una tecnica di servizio che aggiunge e rimuove richieste da un batch in esecuzione token per token, invece di attendere il completamento di un intero batch fisso.
Panoramica
It keeps the GPU constantly busy and sharply increases how many users an AI model can serve at once.
Immersione profonda
Le GPU sono più veloci quando elaborano molte richieste insieme in un batch. L'approccio ingenuo, il batch statico, raggruppa un insieme fisso di richieste, le esegue tutte fino al completamento, quindi avvia il batch successivo. Il problema: gli output del modello linguistico variano notevolmente in lunghezza, quindi le richieste brevi terminano presto e i loro slot rimangono inattivi mentre il batch attende quello più lungo, sprecando cicli della GPU e ritardando i nuovi arrivi. Il batch continuo (chiamato anche batch in volo o a livello di iterazione, reso popolare dal documento Orca e utilizzato in vLLM, TensorRT-LLM e TGI) funziona con la granularità di un singolo passaggio di decodifica. Dopo che ciascun token è stato generato, le sequenze finite escono dal batch e le richieste appena arrivate vengono inserite immediatamente. Ciò mantiene il batch pieno e la GPU saturata, spesso aumentando più volte il throughput con una latenza inferiore per gli utenti in attesa.
Approfondimento tecnico
Il passaggio chiave è dal raggruppamento di intere richieste al raggruppamento di singole iterazioni. Ad ogni passo di decodifica lo scheduler costruisce il set attivo: esegue un passaggio in avanti su tutte le sequenze in volo, emette un token ciascuna, elimina quelli che raggiungono un token di fine sequenza o un limite di lunghezza e ammette le richieste in coda per riempire gli slot liberati. L'abbinamento con la memoria KV flessibile di PagedAttention rende economico l'inserimento e la rimozione di sequenze durante il volo, poiché la cache di ciascuna sequenza risiede in blocchi indipendenti.
Impatto strategico
Costo e budget
Le decisioni relative all'architettura determinano prestazioni e costi operativi per anni.
Decisioni più chiare
La formazione tecnica aiuta i team a scegliere lo stack giusto, non solo quello più nuovo.
Controllo di qualità
Migliori scelte ingegneristiche riducono gli incidenti legati all’affidabilità nella produzione.
Il futuro del dosaggio continuo
Il batching continuo è ora uno standard nel servizio LLM di produzione. Il lavoro futuro perfeziona lo scheduler: separazione della fase di precompilazione ad alto carico di calcolo dalla fase di decodifica più leggera (disaggregazione), precompilazione in blocchi per evitare stalli nella decodifica, politiche di priorità ed equità per carichi di lavoro misti e accoppiamento più stretto con la decodifica speculativa in modo che più token di bozza vengano convalidati per passaggio. L'obiettivo è spremere il massimo di token al secondo per GPU mantenendo la latenza di risposta individuale bassa e prevedibile.
Implementazione nel mondo reale
Un'API di chat che ammette immediatamente i messaggi degli utenti appena arrivati nel batch in esecuzione invece di metterli in coda per il batch successivo
Eliminare una breve risposta completata a metà batch e riempire il suo slot in modo che la GPU non resti mai inattiva in attesa di una lunga generazione
Combinazione di batch continui con PagedAttention di vLLM per inserire e rimuovere sequenze in modo economico in ogni fase di decodifica
Un servizio di completamento del codice che sostiene elevati token al secondo in caso di traffico intenso e di lunghezza variabile mantenendo il batch pieno
Rischi e guardrail
L'ottimizzazione di un benchmark può nascondere debolezze di sistema più ampie.
I costi delle infrastrutture e della manutenzione sono spesso sottostimati.
Le lacune in termini di sicurezza e osservabilità possono aumentare man mano che i sistemi diventano più complessi.
Tabella di marcia per l'implementazione
Definire obiettivi di latenza, qualità e costi prima dell'implementazione.
Benchmark in condizioni di carico e dati realistiche.
Monitoraggio dello strumento per errori, deriva e impatto sull'utente.
Preparare percorsi di rollback e risposta agli incidenti prima della scalabilità.
Continua a esplorare
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Continuous Batching quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Prossima guida
Kubernetes per carichi di lavoro ML
Domande frequenti
What is Continuous Batching?
Il batch continuo è una tecnica di servizio che aggiunge e rimuove richieste da un batch in esecuzione token per token, invece di attendere il completamento di un intero batch fisso. Mantiene la GPU costantemente occupata e aumenta notevolmente il numero di utenti che un modello AI può servire contemporaneamente.
Qual è il principale punto debole del batching statico (fisso) per il servizio LLM?
Poiché la lunghezza dell'output varia, le sequenze finite rimangono inattive finché non viene completata quella più lenta, sprecando cicli GPU e ritardando nuove richieste.
Con quale granularità il batch continuo aggiunge e rimuove le richieste?
Il batch continuo (a livello di iterazione) aggiorna il set attivo dopo ogni singolo passaggio di decodifica, quindi funziona token per token anziché per l'intera richiesta.
Quando una sequenza termina a metà batch in batch continuo, cosa succede al suo slot?
Le sequenze finite vengono eliminate e le richieste in attesa vengono inserite immediatamente, mantenendo il batch pieno e la GPU occupata.
Quale tecnica si abbina naturalmente al batch continuo per rendere economiche le sequenze di inserimento/rimozione?
PagedAttention memorizza la cache KV di ciascuna sequenza in blocchi indipendenti, quindi l'aggiunta o la rimozione di una sequenza durante il volo non disturba la memoria degli altri.
A quale documento di ricerca viene comunemente attribuito il merito di aver reso popolare il batching a livello di iterazione (continuo)?
Il documento Orca ha introdotto la pianificazione a livello di iterazione e l'idea è stata adottata servendo sistemi come vLLM, TGI e TensorRT-LLM.