从零推 KV cache 账：LLM 大规模推理优化深度工作坊
AI Engineer · youtube · 2026-09-08
Audible 高级工程师 Harshul Jain 与独立研究者 Tanmay Sah 的超长工作坊，从第一性原理拆解 LLM 推理成本与优化。
核心数字：Mistral 7B 上单个 token 的 KV cache 占 131 KB；1.6 万 token 上下文 × 80 并发用户，仅 cache 就要 42 GB 显存，这就是 24 GB 显卡上请求开始挂掉的原因。
三大痛点：显存随上下文增长、首 token 时间随 prompt 变长退化、朴素串行服务导致吞吐崩溃。
模型侧优化：量化、Multi-Head → Multi-Query → Grouped-Query → Latent Attention 演进、Flash Attention 与 tiling。
服务侧优化：借鉴操作系统分页的 Paged Attention、continuous batching、prefix caching、KV 量化，均与 baseline 对比跑分。
引擎选型结论：标准负载下 vLLM 与 SGLang 无统计显著差异；一旦出现 agentic 分支场景，差距拉大到 3–4 倍。配套幻灯片与可运行 notebook 开放在 repo 中。
「Infra」频道最新
- vLLM 考虑将更多栈迁往 Rust，推理引擎 Rust 化成趋势 — AccBalanced · 2026-10-27
- Anthropic S-1：未来拟投超 5000 亿美元算力，自建数据中心 — jeremyakahn · 2026-10-27
- 同一套 DeepSeek 内核两种优化路线：vLLM 拆专家、SGLang 降访存 — AccBalanced · 2026-10-27
- Flint 本地实测：质量与 Qwen3.6 打平，速度快 3.6 倍 — RichardSocher · 2026-10-27
- Anthropic S-1 披露：CSP 渠道收入占比三年从 11% 涨至 48% — AccBalanced · 2026-10-27
- Alchemy 支持 Effect Workflow:跨 Durable Objects、Workflows 与 Lambda 持久函数 — samgoodwin89 · 2026-10-27