Tiếp theoHướng dẫn tiếp theo
Đồ thị suy luận và lõi Seldon
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Lớp điều khiển quyết định bản sao mô hình, GPU hoặc chương trình phụ trợ nào sẽ xử lý từng yêu cầu LLM đến và cách phân bổ lưu lượng truy cập để không có máy chủ nào bị quá tải.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Thực hiện tốt, nó sẽ giảm độ trễ và chi phí; được thực hiện kém, nó gây ra thời gian chờ và GPU không hoạt động.
Cung cấp LLM trên quy mô lớn có nghĩa là chạy nhiều bản sao trên nhiều GPU và lưu lượng suy luận rất nhiều và không đồng đều—các lời nhắc có độ dài và độ khó rất khác nhau. Một bộ định tuyến nằm ở phía trước và chọn đích đến bằng cách sử dụng các tín hiệu phong phú hơn nhiều so với tính năng quay vòng cổ điển. Các bộ định tuyến nhận biết LLM hiện đại xem xét độ sâu hàng đợi, mức độ chiếm dụng bộ nhớ đệm KV và liệu bản sao đã giữ tiền tố nhắc phù hợp hay chưa (mối quan hệ tiền tố-bộ đệm), do đó, yêu cầu tiếp theo sẽ đến nơi bộ nhớ đệm của nó tồn tại. Một số bộ định tuyến cũng chọn mô hình để sử dụng—gửi các truy vấn dễ dàng đến mô hình nhỏ giá rẻ và các truy vấn khó tới mô hình lớn (định tuyến mô hình). Sau đó, cân bằng tải sẽ cân bằng áp lực giữa các bản sao để tránh các điểm nóng, tôn trọng giới hạn tốc độ và giữ độ trễ ở phần cuối ở mức thấp trong khi tối đa hóa hiệu suất tổng thể và mức sử dụng GPU.
Nền tảng chatbot ghim từng cuộc trò chuyện vào bản sao đang lưu giữ bộ đệm KV của nó, do đó, các lượt tiếp theo sẽ chạm vào bộ đệm tiền tố và phản hồi nhanh hơn.
Các hệ thống kiểu RouteLLM gửi các câu hỏi đơn giản đến một mô hình nhỏ giá rẻ và chỉ chuyển những câu hỏi khó sang mô hình biên giới, cắt giảm chi phí mà ít giảm chất lượng.
Các tuyến mở rộng suy luận API Kubernetes Gateway định tuyến theo độ sâu hàng đợi GPU trực tiếp và trạng thái bộ đệm thay vì xoay vòng đơn giản giữa các nhóm.
LiteLLM proxy lưu lượng truy cập trên OpenAI, Anthropic và các mô hình tự lưu trữ với tính năng dự phòng và cân bằng nhận biết giới hạn tỷ lệ khi một nhà cung cấp điều chỉnh.
Định tuyến đang trở thành một thành phần hạng nhất, có thể học được. Các dự án như Tiện ích mở rộng suy luận API cổng của Kubernetes, ngăn xếp sản xuất của vLLM và bộ định tuyến dựa trên LiteLLM/Envoy chuẩn hóa việc lập kế hoạch nhận biết bộ nhớ đệm và nhận biết chi phí. Mong đợi định tuyến mô hình dựa trên ngữ nghĩa và độ khó (kiểu RouteLLM), hàng đợi ưu tiên theo SLA, nhận thức đa khu vực và phiên bản tại chỗ cũng như các chính sách được học tăng cường giúp cân bằng độ trễ, thông lượng và chi phí bằng đô la trong thời gian thực dưới dạng mô hình, giá cả và sự thay đổi lưu lượng.
Bản tin miễn phí
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Lớp điều khiển quyết định bản sao mô hình, GPU hoặc chương trình phụ trợ nào sẽ xử lý từng yêu cầu LLM đến và cách phân bổ lưu lượng truy cập để không có máy chủ nào bị quá tải. Thực hiện tốt, nó sẽ giảm độ trễ và chi phí; được thực hiện kém, nó gây ra thời gian chờ và GPU không hoạt động.
Các yêu cầu LLM khác nhau rất nhiều về độ dài/chi phí và bộ đệm KV của bản sao khiến các phiên bị dính, do đó, các chương trình phụ trợ quay vòng một cách mù quáng sẽ bỏ qua mối quan hệ của bộ đệm và tải thực.
Nếu một bản sao đã giữ bộ đệm KV cho tiền tố được chia sẻ thì việc định tuyến phần tiếp theo sẽ sử dụng lại bộ đệm đó thay vì tính toán lại, tiết kiệm điện toán và độ trễ.
Các bộ định tuyến mô hình như RouteLLM gửi các truy vấn dễ dàng đến một mô hình nhỏ giá rẻ và dành riêng các mô hình biên giới đắt tiền cho các mô hình cứng, cắt giảm chi phí mà giảm thiểu chất lượng.
Đo từ xa phụ trợ thực—mã thông báo đang chờ xử lý, mức đầy hàng loạt, chiếm dụng bộ nhớ đệm—phản ánh tải thực sự tốt hơn nhiều so với số lượng yêu cầu đơn giản.
LiteLLM hoạt động như một proxy định tuyến giữa các nhà cung cấp (OpenAI, Anthropic, tự lưu trữ), thêm dự phòng và cân bằng nhận biết giới hạn tỷ lệ.
Tiếp tục học hỏi
Đã chọn thêm hướng dẫn cho chủ đề này
Tiếp theoHướng dẫn tiếp theo
Đồ thị suy luận và lõi Seldon
kỹ thuật