推理路由为何催生稀疏注意力
auto_grad_ · x · 2026-07-15
转发内容讨论了 **ML 推理中的 routing（路由）问题**： - 如果只做负载均衡，请求会被分散到不同节点，但由于模型依赖 **KV cache**，同一批 token 可能被重复 prefill，代价很高。 - 如果只做 cache-aware routing，请求又会过度集中到少数节点，导致系统失去均衡性。 - 作者认为，这种在 **负载均衡** 与 **缓存命中** 之间的两难，是各种 **稀疏注意力** 方案（如 SWA、NSA、DSA 等）出现的重要原因。 核心观点是：推理系统里的路由约束并不只是调度问题，它直接影响模型结构和注意力设计的演化。