Il prossimoProssima guida
Seldon Core e grafici di inferenza
Tecnico
GUIDA TECNICA
Il livello di controllo che decide quale replica del modello, GPU o backend deve gestire ogni richiesta LLM in entrata e come distribuire il traffico in modo che nessun singolo server venga sopraffatto.
Ascolta questa guidaNarrato dall'IA · ~2 min
Fatto bene, riduce la latenza e i costi; fatto male, provoca timeout e GPU inattive.
Servire un LLM su larga scala significa eseguire molte repliche su molte GPU e il traffico di inferenza è intenso e irregolare: le richieste variano notevolmente in lunghezza e difficoltà. Un router si siede davanti e sceglie una destinazione utilizzando segnali molto più ricchi del classico round robin. I moderni router compatibili con LLM considerano la profondità della coda, l'occupazione della cache KV e se una replica contiene già un prefisso del prompt corrispondente (affinità prefisso-cache), quindi una richiesta di follow-up arriva dove risiede la sua cache. Alcuni router scelgono anche quale modello utilizzare, inviando query semplici a un modello piccolo ed economico e quelle difficili a uno grande (routing del modello). Il bilanciamento del carico equalizza quindi la pressione tra le repliche per evitare hotspot, rispettare i limiti di velocità e mantenere bassa la latenza della coda, massimizzando al tempo stesso il goodput complessivo e l'utilizzo della GPU.
Una piattaforma chatbot fissa ogni conversazione alla replica che contiene la sua cache KV, quindi i turni di follow-up raggiungono la cache del prefisso e rispondono più velocemente.
I sistemi in stile RouteLLM inviano domande semplici a un modello piccolo ed economico e inoltrano solo quelle difficili a un modello di frontiera, riducendo i costi con una minima perdita di qualità.
L'estensione di inferenza API di Kubernetes Gateway instrada in base alla profondità della coda della GPU in tempo reale e allo stato della cache invece del semplice round robin tra i pod.
LiteLLM esegue il proxy del traffico su OpenAI, Anthropic e modelli self-hosted con fallback e bilanciamento in base al limite di velocità quando un provider rallenta.
Il routing sta diventando una componente appresa di prima classe. Progetti come Gateway API Inference Extension di Kubernetes, lo stack di produzione di vLLM e i router basati su LiteLLM/Envoy standardizzano la pianificazione con riconoscimento della cache e dei costi. Aspettatevi un routing dei modelli più semantico e basato sulla difficoltà (stile RouteLLM), code di priorità basate su SLA, consapevolezza di più regioni e istanze spot e policy apprese per rinforzo che bilanciano latenza, throughput e costo in dollari in tempo reale man mano che modelli, prezzi e spostamento del traffico.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Il livello di controllo che decide quale replica del modello, GPU o backend deve gestire ogni richiesta LLM in entrata e come distribuire il traffico in modo che nessun singolo server venga sopraffatto. Fatto bene, riduce la latenza e i costi; fatto male, provoca timeout e GPU inattive.
Le richieste LLM differiscono notevolmente in termini di lunghezza/costo e la cache KV di una replica rende le sessioni persistenti, quindi il ciclo cieco dei backend ignora l'affinità della cache e il carico reale.
Se una replica contiene già la cache KV per un prefisso condiviso, l'instradamento del follow-up riutilizza quella cache invece di ricalcolarla, risparmiando calcolo e latenza.
I router modello come RouteLLM inviano query semplici a un modello piccolo ed economico e riservano modelli di frontiera costosi per quelli difficili, riducendo i costi con una perdita di qualità minima.
La vera telemetria del backend (token in sospeso, riempimento batch, occupazione della cache) riflette il carico reale molto meglio dei semplici conteggi delle richieste.
LiteLLM funge da proxy di routing tra provider (OpenAI, Anthropic, self-hosted), aggiungendo fallback e bilanciamento in base al limite di velocità.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Seldon Core e grafici di inferenza
Tecnico