概要
PagedAttendance は、言語モデルのアテンション キャッシュを 1 つの大きな連続したチャンクではなく、再利用可能な小さなブロックに保存するメモリ管理手法です。これは、単一の GPU が処理できるリクエストの数を大幅に向上させるオープンソースのサービング エンジンである vLLM を強化します。
PagedAttendance と vLLM は、大規模なモデルの品質、インフラストラクチャのコスト、レイテンシ、信頼性に影響を与える技術的なビルディング ブロックです。
ディープダイブ
言語モデルがテキストを生成するとき、次のトークンが完全なコンテキストに対応できるように、認識したすべてのトークンの「KV キャッシュ」(キーおよび値ベクトル) を保持します。従来、各リクエストは、可能な最大長に合わせたサイズの GPU メモリの 1 つの大きな連続スラブを予約しており、シーケンスが短い場合や長さが異なる場合に膨大な量を無駄にしていました。カリフォルニア大学バークレー校の 2023 年の vLLM 論文で導入された PagedAttendance は、オペレーティング システムから仮想メモリ ページングのアイデアを借用しています。KV キャッシュを固定サイズのブロックに分割し、メモリ内のどこにでも存在し、オンデマンドで割り当てることができます。ルックアップ テーブルは、論理トークンの位置を物理ブロックにマップします。これにより、メモリの断片化がほぼ解消され、たとえば同じプロンプトからの複数の出力間でブロックを共有できるようになります。
技術的な洞察
KV キャッシュは固定サイズのページに分割され、各ページには設定された数のトークンのキーと値が保持されます。シーケンスごとのブロック テーブルは論理位置を物理ページの位置にマップするため、シーケンスのキャッシュは連続している必要はありません。同一のプレフィックス (共有システム プロンプト、またはビーム検索ブランチ) がコピーオンライト経由で同じ物理ページを指すことができるため、メモリは重複する代わりに再利用され、無駄が 60% 以上から数% に削減されます。
PagedAttendant と vLLM をマスターする
PagedAttendance は、言語モデルのアテンション キャッシュを 1 つの大きな連続したチャンクではなく、再利用可能な小さなブロックに保存するメモリ管理手法です。これは、単一の GPU が処理できるリクエストの数を大幅に向上させるオープンソースのサービング エンジンである vLLM を強化します。 PagedAttendance と vLLM は、大規模なモデルの品質、インフラストラクチャのコスト、レイテンシ、信頼性に影響を与える技術的なビルディング ブロックです。深い理解を得るには、PagesAttention と vLLM を単一の機能ではなく、オペレーティング モデルとして扱います。望ましい結果を定義し、前提条件を明確にし、システムが確実に実行できることと、依然として専門家の判断が必要なことを区別します。
実際には、PagesAttention と vLLM を使用する強力なチームが、信頼性とコストを考慮してアーキテクチャ、データ、インフラストラクチャの選択を最適化します。明示的な成功基準を文書化し、現実的なデータとワークフローに対してテストし、一度限りのベンチマークの成功ではなく、観察された失敗パターンに基づいて反復します。ここで、理論的な理解が、製品、ポリシー、運用全体にわたる永続的な機能に変わります。
アーキテクチャの決定により、パフォーマンスと運用コストが何年にもわたって推進されます。同時に、1 つのベンチマークを最適化すると、より広範なシステムの弱点が隠れる可能性があります。最も回復力のあるアプローチは、実験のスピードとガバナンスの規律を組み合わせることであり、パイロットを実行し、証拠を取得し、意思決定ログを公開し、モデルの動作、ユーザーの期待、規制要件の進化に応じて安全対策を継続的に更新します。
戦略的影響
アーキテクチャの決定により、パフォーマンスと運用コストが何年にもわたって推進されます。
アーキテクチャの決定により、パフォーマンスと運用コストが何年にもわたって推進されます。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
技術教育は、チームが最新のスタックだけでなく、適切なスタックを選択するのに役立ちます。
技術教育は、チームが最新のスタックだけでなく、適切なスタックを選択するのに役立ちます。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
より良いエンジニアリングの選択により、本番環境での信頼性に関するインシデントが減少します。
より良いエンジニアリングの選択により、本番環境での信頼性に関するインシデントが減少します。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
現実世界の実装
vLLM が 1 つの GPU から高スループットで多数の同時チャット ユーザーにサービスを提供するオープンソース LLM API をホストする
長いシステム プロンプトをプレフィックス キャッシュ経由で数千のリクエスト間で共有し、繰り返しではなく 1 回処理されるようにする
コピーオンライトを介して共通プロンプトの KV ブロックを共有するビーム検索または複数のサンプリングされた補完の実行
断片化による GPU メモリの無駄を削減し、プロバイダーがより多くの同時セッションを同じハードウェアに詰め込めるようにする
実装パターン
PagedAttendance と vLLM の実践
オープンソース LLM API をホストし、vLLM が 1 つの GPU から多くの同時チャット ユーザーに高スループットでサービスを提供します。
オープンソース LLM API をホストし、vLLM が 1 つの GPU から多くの同時チャット ユーザーに高スループットでサービスを提供します。チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを確保し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
PagedAttendance と vLLM の実践
長いシステム プロンプトをプレフィックス キャッシュを介して数千のリクエスト間で共有し、繰り返しではなく 1 回だけ処理されるようにします。
長いシステム プロンプトをプレフィックス キャッシュを介して数千のリクエスト間で共有し、繰り返しではなく一度処理されるようにします。チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを確保し、生産性の向上とエラー コストの両方を長期にわたって追跡すると、より良い結果が得られます。
PagedAttendance と vLLM の実践
コピーオンライトを介して共通プロンプトの KV ブロックを共有するビーム検索または複数のサンプリングされた補完を実行します。
ビーム検索を実行するか、コピーオンライトで共通プロンプトの KV ブロックを共有する複数のサンプリングされた完了を実行する。チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを維持し、生産性の向上とエラー コストの両方を長期にわたって追跡すると、より良い結果が得られます。
PagedAttendance と vLLM の実践
断片化による GPU メモリの無駄を削減し、プロバイダーがより多くの同時セッションを同じハードウェアに詰め込めるようにします。
断片化による GPU メモリの無駄を削減し、プロバイダーがより多くの同時セッションを同じハードウェアに詰め込めるようにします。チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを確保し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
リスクとガードレール
1 つのベンチマークを最適化すると、より広範なシステムの弱点が隠れる可能性があります。
インフラストラクチャとメンテナンスのコストは過小評価されがちです。
システムが複雑になるにつれて、セキュリティと可観測性のギャップが拡大する可能性があります。
実装ロードマップ
実装前にレイテンシ、品質、コストの目標を定義します。
実装前にレイテンシ、品質、コストの目標を定義します。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
現実的な負荷とデータ条件でのベンチマーク。
現実的な負荷とデータ条件でのベンチマーク。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
エラー、ドリフト、ユーザーへの影響を計測器で監視します。
エラー、ドリフト、ユーザーへの影響を計測器で監視します。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
スケーリングの前に、ロールバックとインシデント対応のパスを準備します。
スケーリングの前に、ロールバックとインシデント対応のパスを準備します。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。