Tổng quan
Một kiến trúc phục vụ chia suy luận mô hình ngôn ngữ lớn thành hai giai đoạn riêng biệt—điền trước và giải mã—và chạy chúng trên các nhóm GPU khác nhau. Điều này quan trọng vì hai giai đoạn này có nhu cầu phần cứng trái ngược nhau và việc buộc chúng vào cùng một máy sẽ gây lãng phí dung lượng và ảnh hưởng đến độ trễ.
Cung cấp giải mã và điền trước phân tách là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn.
Lặn sâu
Khi LLM trả lời, nó hoạt động theo hai giai đoạn. Điền trước sẽ đọc toàn bộ lời nhắc cùng một lúc và xây dựng bộ nhớ đệm khóa-giá trị (KV); đây là một đợt bùng nổ lớn, song song, có tính toán làm bão hòa các đơn vị toán học của GPU. Sau đó, giải mã sẽ tạo ra từng mã thông báo, mỗi bước sẽ đọc toàn bộ bộ nhớ đệm KV—một quy trình nhỏ giọt có giới hạn băng thông bộ nhớ, tính toán nhẹ. Chạy cùng nhau, một khoảng thời gian điền trước dài sẽ ngăn chặn quá trình giải mã của mọi người (chặn đầu dòng) và việc gộp cả hai sẽ tạo ra nhiễu. Việc phân chia sẽ điền trước vào một nhóm GPU và giải mã trên một nhóm GPU khác, chuyển bộ đệm KV giữa chúng qua các kết nối nhanh như NVLink hoặc InfiniBand. Mỗi nhóm được điều chỉnh và mở rộng quy mô độc lập, cải thiện hiệu suất, làm mượt độ trễ đuôi và cho phép người vận hành đạt được các mục tiêu chặt chẽ về thời gian cho mã thông báo đầu tiên và thời gian cho mỗi đầu ra cùng một lúc.
Hiểu biết kỹ thuật
Hai giai đoạn khác nhau ở nút cổ chai của chúng. Tính năng điền trước xử lý song song tất cả các mã thông báo lời nhắc, do đó FLOP của nó sẽ mở rộng quy mô theo độ dài lời nhắc và tối đa hóa các lõi tensor. Giải mã có tính tự hồi quy: mỗi mã thông báo mới cần một lượt chuyển tiếp để đọc lại toàn bộ bộ đệm KV từ HBM, do đó thông lượng được kiểm soát bởi băng thông bộ nhớ chứ không phải tính toán. Tính năng phân chia khai thác điều này bằng cách định cỡ, phân nhóm và thậm chí chọn tính song song khác nhau cho mỗi nhóm, sau đó chuyển bộ nhớ đệm KV từ các trình xử lý điền trước đến các trình xử lý giải mã.
Nắm vững việc cung cấp giải mã và điền trước phân tách
Một kiến trúc phục vụ chia suy luận mô hình ngôn ngữ lớn thành hai giai đoạn riêng biệt—điền trước và giải mã—và chạy chúng trên các nhóm GPU khác nhau. Điều này quan trọng vì hai giai đoạn này có nhu cầu phần cứng trái ngược nhau và việc buộc chúng vào cùng một máy sẽ gây lãng phí dung lượng và ảnh hưởng đến độ trễ. Cung cấp giải mã và điền trước phân tách là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn. Để xây dựng sự hiểu biết sâu sắc, hãy coi Cung cấp giải mã và điền trước phân tách như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Cung cấp giải mã và điền trước phân tách sẽ tối ưu hóa các lựa chọn về kiến trúc, dữ liệu và cơ sở hạ tầng theo độ tin cậy và chi phí. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Đồng thời, Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu lớn hơn của hệ thống. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Trợ lý trò chuyện sẽ định tuyến các lời nhắc tài liệu dài đến cụm điền trước nặng về tính toán, sau đó truyền các câu trả lời từ cụm giải mã được tối ưu hóa bộ nhớ để đảm bảo độ trễ nhập được mượt mà.
NVIDIA Dynamo và vLLM cho phép người vận hành triển khai các nhóm công nhân giải mã và điền trước riêng biệt để một loạt lời nhắc dài không làm ảnh hưởng đến các thế hệ đang diễn ra.
Mooncake (được sử dụng bởi Kimi của Moonshot AI) phân tách việc điền trước và giải mã, đồng thời thêm nhóm bộ nhớ đệm KV được phân phối để cắt giảm việc tính toán lại kịp thời dư thừa trên quy mô lớn.
Dịch vụ hoàn thiện mã dành riêng một nhóm điền trước nhỏ cho các lời nhắc ngắn và một nhóm giải mã lớn vì hầu hết chi phí đều đến từ việc phát trực tuyến nhiều mã thông báo đầu ra.
Các mẫu triển khai
Phân chia trước và giải mã phân tách trong thực tế
Trợ lý trò chuyện sẽ định tuyến các lời nhắc tài liệu dài đến cụm điền trước nặng về tính toán, sau đó truyền các câu trả lời từ cụm giải mã được tối ưu hóa bộ nhớ để đảm bảo độ trễ nhập được mượt mà.
Trợ lý trò chuyện định tuyến các lời nhắc tài liệu dài đến cụm điền trước nặng về tính toán, sau đó truyền các câu trả lời từ cụm giải mã được tối ưu hóa cho bộ nhớ để duy trì độ trễ khi nhập mượt mà. Các nhóm thường nhận được kết quả tốt hơn khi xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Phân chia trước và giải mã phân tách trong thực tế
NVIDIA Dynamo và vLLM cho phép người vận hành triển khai các nhóm công nhân giải mã và điền trước riêng biệt để một loạt lời nhắc dài không làm ảnh hưởng đến các thế hệ đang diễn ra.
NVIDIA Dynamo và vLLM cho phép người vận hành triển khai các nhóm công nhân giải mã và điền trước riêng biệt để một loạt lời nhắc dài không làm ảnh hưởng đến các thế hệ đang diễn ra. Các nhóm thường đạt được kết quả tốt hơn khi xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Phân chia trước và giải mã phân tách trong thực tế
Mooncake (được sử dụng bởi Kimi của Moonshot AI) phân tách việc điền trước và giải mã, đồng thời thêm nhóm bộ nhớ đệm KV được phân phối để cắt giảm việc tính toán lại kịp thời dư thừa trên quy mô lớn.
Mooncake (được sử dụng bởi Kimi của Moonshot AI) phân tách việc điền trước và giải mã, đồng thời thêm nhóm bộ nhớ đệm KV phân tán để cắt giảm việc tính toán lại kịp thời dư thừa trên quy mô lớn. Các nhóm thường đạt được kết quả tốt hơn khi xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Phân chia trước và giải mã phân tách trong thực tế
Dịch vụ hoàn thiện mã dành riêng một nhóm điền trước nhỏ cho các lời nhắc ngắn và một nhóm giải mã lớn vì hầu hết chi phí đều đến từ việc phát trực tuyến nhiều mã thông báo đầu ra.
Dịch vụ hoàn thiện mã dành một nhóm điền trước nhỏ cho các lời nhắc ngắn và nhóm giải mã lớn, vì phần lớn chi phí đến từ việc phát trực tuyến nhiều mã thông báo đầu ra. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.