--- id: "mHNKuH-9OxU" title: "推理为何比训练重要 12 倍" channel: "Y Combinator" host: ["YC 主持人"] guests: ["Dan Fu","Jeff Morgan","Joe Fioti","Liangsheng Yin"] date: "2026-10-24" updated: "2026-10-25" duration: "1:50:48" duration_seconds: 6648 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=mHNKuH-9OxU" canonical: "https://pod-exp.pages.dev/mHNKuH-9OxU/" transcript_jsonl: "https://pod-exp.pages.dev/mHNKuH-9OxU/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["AI 基础设施","人工智能","AI 智能体","模型评测"] series: ["AI 基础设施"] --- # 推理为何比训练重要 12 倍 > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** 本期 YC Paper Club 讨论大模型推理为何在成本和规模化部署上比训练更值得重视，并从请求生命周期、模型服务差异、编译器搜索优化、缓存和内存管理等角度拆解推理系统。几位来自 Together AI、Ollama、Luminal、SGLang 与 RadixArk 的研究者和创业者，介绍了从 API 请求到 GPU 再返回 token 的系统链路，以及如何平衡延迟、吞吐、成本和模型质量。 ## [0:11] 为什么推理比训练更重要 · YouTube **主持人：** 大家今天怎么样？（欢呼）好，今晚是推理专场。大家得兴奋起来！我一开始真不知道该怎么把“推理”画出来，所以就做了个万圣节主题，让它看起来更吓人——我三岁的孩子会说，是“吓人”那种吓人。这边是我太太。 那为什么要关注推理？我想，YC 在推理方面投了很多，也一直密切关注。我以前经营过一家 AI 公司，既训练模型，也做大量推理；推理始终是瓶颈。要在规模化的同时把推理做好很难，尤其还得避免销售成本（COGS）把利润吃光——有些软件行业的人可能不熟悉这个词。 过去十年，推理领域已经创造了 2200 亿美元的市值。今晚有三四家很棒的公司来分享。我们有 Together AI 的研究负责人 Dan Fu。 为什么推理重要？我喜欢比较训练 FLOPs 和推理 FLOPs。DeepSeek 是唯一一家会公布全部这类数据的公司。DeepSeek 报告说，训练 DeepSeek V3 大约用了 280 万 H800 小时；而它每天大约消耗 4.3 万 H800 小时用于推理。这是较早的数据，不是最近的数据，所以现在可能远不止这些。 即使按这些数字算，一年里用于该模型权重文件推理的 FLOPs 也大约是训练的 6 倍。如果假设一套权重文件有两年的有效寿命，那推理的总重要性就会达到训练的 12 倍。随着越来越多用户开始使用这套权重，AI 持续普及，推理只会变得越来越重要。 我写论文时也常想到这一点。比如在 NeurIPS 论文里比较不同模型，当然要尽量降低训练 FLOPs，但我们也应该把推理 FLOPs 看得重要 12 倍。Chinchilla 论文以及大多数 NeurIPS 论文的横轴通常只画训练 FLOPs，而且是等训练 FLOPs 比较；我们真正应该开始关注的是等推理 FLOPs 比较。 做 SaaS 的人也许不太关心 COGS 是什么意思，但对模型服务商来说，这真的很重要。昨天公布的一些数字让人吃惊：利润率居然可以这么高。这意味着 DeepSeek 的利润率达到 80%，原因之一就是他们在推理上做了大量创新。 推理到底为什么这么复杂？乍看只是调用 `model.forward`，似乎没什么难的；实际上难得多。给不熟悉大语言模型的朋友简单解释：系统收到一段提示，也就是一组 token ID，然后对初始提示运行 prefill。如果其中一部分已经缓存，就不该再重复运行 prefill。更好的是，如果数据还热存在 DRAM、Redis 缓存，甚至某处的 SSD 上，就能直接复用。还要做类似 LRU 的缓存管理，这已经能省下一大笔成本。之后才进入 decode 循环。 ## [4:13] 为什么推理比训练更重要（续） · YouTube **主持人：** 接下来会用到一些术语。模型 FLOPs 利用率（MFU）是指训练或 prefill 时 GPU 实际被用到了多少。训练和 prefill 的 MFU 通常接近；假设是 50%，即使 Jensen Huang 承诺 H100 有 2 万亿 FP8 FLOPs，你实际也拿不到那么多，能拿到一半就不错了。decode 更差，可能只有 5%。所以必须谨慎看待这些指标。 Dan Fu 等人持续优化的关键指标包括：首 token 时间（完成 prefill 要多久）、每个输出 token 或每个 decode 步骤所需的时间，以及吞吐量——每 GPU 小时实际能生成多少 token。还要关注在给定服务等级下能够提供多少吞吐。 举个刚公布的 DC 数据：不算缓存命中时，prefill 吞吐是每张 GPU 每秒 6 万 token；算上缓存命中后，输入缓存命中率达到 96%，非常高。当然，这取决于流量：Agent 请求的输入缓存命中率会很好；而像我妈妈这样每次都新开 ChatGPT 对话，问天气或其他全新问题，就没有 KV 缓存可用，只能一遍遍重新做 prefill。 有缓存命中时，每张 GPU 吞吐达到每秒 150 万 token。首 token 时间约 400 毫秒，P99 约 1 秒。decode 吞吐则是每张 GPU 每秒 1.4 万 token。对比 prefill 缓存命中时的 150 万和 decode 的 1.4 万，就能看出 decode 确实是瓶颈，许多芯片创新正是为了加速它。 另一个很值得关注的指标是 KV 缓存保留策略。服务方为用户保留了 PB 级 KV 缓存数据，保留 72 小时，因此能实现很高的缓存命中率。 还有算术强度：从 DRAM 向 SRAM 搬运 4 字节数据时，针对这 4 字节做了多少 FLOPs？在 RNN 或扩散模型中，算术强度很高：输入一张图像，或一份噪声，然后对同一网络和权重反复计算；除非图像太大需要切块，否则不必反复回到 DRAM。LLM 的算术强度则相当低。Volo 来这里讲扩散 LLM 时就提出过这个观点。我实验室的 Herman 最近也发表了一个 next-concept model，算术强度同样高得多。 另外两个术语是模型带宽利用率和模型 FLOPs 利用率。购买 H100 时，标称峰值是 2 万亿 FP8 FLOPs；测试时到底能拿到多少？通常远低于峰值，MFU 就是实际获得的计算量。模型带宽利用率则看实际内存带宽：假设峰值带宽是每秒 1 TB，测试时平均实际用了多少？ ## [8:15] 为什么推理比训练更重要（续） · YouTube **主持人：** 还有屋顶线分析（roofline analysis），也就是理论上最多能做到多好。上限取决于芯片每秒峰值 FLOPs，与每秒内存字节数乘以每字节计算量，两者中的较小值。 ## [8:24] 推理创新的三种类型 · YouTube **主持人：** 推理领域有很多创新。我把它们分成三类；不同人可能会争论分类边界，但这是我的看法。 第一类是模型创新。比如 MoE：若有 K 个专家，推理时可以把所有专家的计算摊薄，FLOPs 大致减少到原来的 1/K。状态空间模型（SSM）不必每层都做完整注意力，也许每五层或十层才做一次，因此可以减少推理计算。多头潜在注意力（MLA）则在序列维度压缩表示，减少 FLOPs。还有量化——现在甚至有 2 bit 模型——以及蒸馏：先得到一个能力很强的大模型，再把它蒸馏成满足需求的小模型，不一定非要部署大模型。 第二类是 kernel 和运行时创新，例如 RadixAttention、FlashAttention、PagedAttention。很多思路借鉴了经典操作系统和数据库理论：怎样让生产数据库更快？可以做缓存、前缀树或 radix tree，这就是 RadixAttention 的直觉。Tri Dao 提出了 GPU 分块的 FlashAttention，是一项重大创新。PagedAttention 与 RadixAttention 互斥，它采用虚拟内存分页和缓冲池的思路，把数据分页到 DRAM 中。 第三类是 harness 层创新。最简单的是路由，我们在 Focal 就做过。不是每个请求都需要送进最强、最昂贵的模型；可以先用小模型，再逐步升级，或在需要时调用更大的模型，这会节省很多 FLOPs。推测解码使用草稿模型先生成候选，再由目标模型验证。 我最喜欢的是递归语言模型：别把完整上下文都塞进 KV 缓存，而是让 LLM 自己决定什么时候需要什么内容。这样就能显著减少 KV 缓存用量。最后还有上下文压缩，这几乎是每套 harness 的必备功能。我们实验室的 Sabri 和 Dan Simran 做了一项很酷的创新，叫 cartridges。 如果想深入了解，我认为最好的两份讲座是 Percy 在 CS 336《从零构建 LLM》第 10 讲中的精彩内容，以及 Ryner Pope 和 Dwarkesh 的讲解，都非常棒。 我讲得够多了。接下来是全世界最懂这些问题的几位专家：Together AI 负责研究的 Dan Fu，他来自我在 Hazy 的实验室；Jeffrey Morgan，Ollama 的创始人兼 CEO；Luminal 的创始人兼 CEO Joe Fioti；还有 Liangsheng Yin（我想是这个名字）。 ## [12:15] Dan Fu：一次推理请求的生命周期 · YouTube **Dan Fu：** 太好了。谢谢大家邀请我，也谢谢 Francois 做了很棒的推理概述。今天我会更仔细地讲一个 token 的完整生命周期，也就是一次推理请求从 API 进入、到达数据中心、一路下沉到 kernel 并在 GPU 上执行，最后再把 token 返回给用户的过程。 这份演讲原本有六种加速方法，我删掉了一半，今天讲其中三种，有些 Francois 刚才也提到了。 为什么现在要关注推理？我们正处在一个非常令人兴奋的阶段，开源 AI 的规模前所未有。图表有点旧，但几个月前 Together 每月处理约 400 万亿个 token。当时 Google 也公布了 Gemini 的流量；我们这个小创业公司处理的量约为 Google 总流量的八分之一，很令人振奋。今年稍早时，OpenRouter 流经的 token 有一半以上来自开放模型。营销团队还提醒我，几周前有一天 Together 的 token 数也超过了 OpenAI。 开放模型发展的一个驱动力是便宜得多：质量几乎相同，很多情况下甚至一样或更好，价格却可能低到十分之一。开源模型进步很快，每天都有新进展。 今天我会谈谈如何提供这些模型服务，以及怎样生成更多 token。Together 经常思考如何让世界产生更多 token，并为所有需要的人提供更多 token。 Together 是一家 AI 原生云服务商。就像 AWS 不只租 CPU、提供计算，还提供 SQL 数据库、存储、REST API 等运行网络服务所需的东西，我们也在思考建设 AI 原生公司需要什么：预训练、微调、推理，以及供 Agent 尝试各种操作的沙箱。Together 正在打造一朵覆盖这些需求、尤其专注于推理的云。团队大约有 80 位研究人员，其中有许多博士；过去做过不少工作，现在聚焦推理和提升 GPU 性能。 我们也会研究不同工作负载的样子。比如代码工作负载的缓存命中率如何、两轮交互之间隔多久：你让 Claude Code、OpenCode 或 Cursor 构建某个东西后，会等多久再回复？响应需要多快？生成大量代码时需要多快？在响应时间和任务完成时间等 SLA 约束下，我们会针对这些部分做优化。 那么请求实际到来时会发生什么？假设你向某个 REST API 发出请求…… ## [16:16] Dan Fu：一次推理请求的生命周期（续） · YouTube **Dan Fu：** 请求经过 Cloudflare、DNS 等互联网常规环节，最终到达一系列数据中心。假设有数千张 GPU，还有刚才 Francois 提到的 KV 缓存。第一步是请求级路由：决定把请求发送到哪个 GPU 副本。然后把人类可读的文本转换成模型能处理的数字，也就是 token。接着进入大批处理循环，包括 prefill 和 decode。最后得到输出 token，把它们转回人类可读文本，发回给用户。 先说请求和路由。数千张 GPU 会接收来自世界各地的请求，系统既要做负载均衡，也得考虑 KV 缓存。过去做数据库或生产 Web 服务时，只要看看哪台机器流量太大，然后轮询把请求发到别处就行了。但语言模型时代还有一件事：如果同一请求反复发到同一张 GPU，性能会更好，因为之前已经处理过一部分内容。 例如第一次代码请求可能需要处理整个代码库；后续请求就不必重复这部分工作。因此路由不只是跨数据中心和 GPU 平衡负载，还要把请求送到已经驻留相关 KV 缓存的位置。 接下来是 tokenization。听起来很简单，但也有不少复杂性，因为模型请求会带有工具调用。用户可能告诉模型：“你可以搜索文件系统、用 grep 查找内容、运行命令来构建和测试应用，或者搜索互联网。”模型本身只是由矩阵乘法和注意力模块构成的数学系统，它并不能真的搜索互联网或执行操作。请求会附上可用工具列表，由模型决定何时调用互联网或搜索功能。 这里有很多正确性问题需要处理。Jeff 稍后会谈如何从用户侧管理工具，但光是 tokenization 这一环就有不少复杂细节，必须让工具调用正确运行。 再往后是模型的核心调度循环。请求不断流入，系统会把它们组成批次，等待空闲 GPU 或计算周期，也可能要等之前的请求完成。调度决策决定总吞吐量：是让同一批 GPU 服务更多用户，还是优先给出非常迅速的响应？这有点像 Google 搜索里的 Gemini：第一条回复总是非常快，之后继续聊天就慢一些。这背后可能是不同的调度策略，甚至使用不同模型。 ## [20:17] Dan Fu：一次推理请求的生命周期（续） · YouTube **Dan Fu：** 接下来是 prefill 和 decode。可以把 prefill 理解成提示处理：输入整个代码库后，模型要弄清代码里有什么、用户在问什么，并理解所有相关内容。这是计算密集型操作，GPU 负载很重，MFU 和算术强度都比较高。 第二阶段是模型每次生成一个或少数几个 token。每生成一个 token，都要把整个模型权重从 GPU 显存加载到计算单元。因此 decode 是内存密集型操作，与 prefill 很不一样。我们花很多时间研究怎样分别处理这两种工作负载、将它们拆开，或使用不同的并行策略和 kernel 提高效率。 最终，模型产生一串 token ID，将它们转成文字并流式返回给用户。看起来简单，但仍要决定何时释放 KV 缓存、保留多久，以及尽量让 token 在缓存里驻留多久。 在 Together，我们认为大约有六类方法可以加速推理。首先是 kernel，也就是 GPU 程序。模型最终都要在 GPU 上运行，因此可以优化注意力 kernel、MoE kernel，或 mega-kernel。其次是分离 prefill 和 decode：它们是不同工作负载，放在不同 GPU 上运行，安排方式会影响用户体验和整体吞吐。第三是并行策略。例如 Chimney K3 有 3 万亿参数，采用 FP4，每个参数半个字节，模型要占 1.5 TB；最好的 B200/B300 也只有约 280 GB 显存，所以必须把模型拆到多张 GPU 上。怎样拆就是并行问题。 还有数据中心内部的路由选择。最后两种更靠近模型层：推测解码让一个小模型先猜，大模型验证；像“1+1 等于几”这样的问题未必需要大模型，如果猜对了，这些 token 几乎就免费得到了。另一种是量化：大模型的权重每个参数到底要存多少 bit？ 今天受时间限制，我会重点讲 kernel、并行策略和量化。Kernel 主要影响 prefill 与 decode 这两个核心计算阶段，也就是矩阵乘法、注意力等数学运算实际执行的地方。优化时会发现，有些模型组件相对容易，有些则难得多。 ## [24:19] Dan Fu：一次推理请求的生命周期（续） · YouTube **Dan Fu：** 模型里各种 LayerNorm、RMSNorm 和零散的 softmax 操作，算术强度都很低。若每个操作单独写一个 kernel，FLOPs 利用率也很低。这就是为什么传统训练的端到端 FLOPs 利用率可能只有 50%，decode 时甚至只有 5%。过去的办法是检查模型的 forward pass，逐个寻找可优化之处，再交给高水平 kernel 工程师手工优化。很长一段时间里，行业都靠聪明人投入大量精力做这件事。 最近 Together 在尝试用 Agent 自动优化其中许多部分。这个内部项目暂时叫 Together Compiler；未来几周还会介绍，正式发布时可能改名，因为我前几天突然发现它其实并不是编译器。基本设想是：给定目标模型、目标硬件和真实流量，使用 Agent 优化内层计算循环。 关键是让循环由真实流量驱动。代码工作负载和聊天工作负载会以很不同的方式激活 kernel。我们发现，必须形成完整的端到端研究循环，观察生产环境中实际运行的内容并据此迭代。我们开始构建的有点像推理的递归自我改进（RSI）循环。 接下来谈如何优化并行方案。模型权重太大，无法装进单张 GPU；把模型切分到多张 GPU 上，就能获得更多计算力和带宽。常见方案包括张量并行：把矩阵乘法拆开，最后做类似 MapReduce 的归约；流水线并行：按层把模型分到不同 GPU；数据并行：让不同 GPU 处理不同序列，但每张卡都保留相同模型。 核心问题一直是 GPU 显存有多少、kernel 能否快速支持某种并行方案，以及硬件提供了哪些能力。近期很受关注、我们也投入很多的方向，是扩大单个高速互联域；这也是 Francois 先前提到 DeepSeek 每小时 38 美元成本的重要原因之一。 如果最近买过 GPU，可能听说过 Blackwell 和 GB 芯片。过去的 NVIDIA 芯片包括 Blackwell，一般只有 8 张 GPU 能通过高速带宽互相通信，因此模型通常最多切成 8 份。若切成 16 份，数据就要走慢得多的链路，推理服务会慢得无法接受。最近 NVIDIA 开始销售可把 72 张 GPU 连接起来的机架，互联带宽高得多。这样就可以把模型里的所有专家…… ## [28:20] Dan Fu：一次推理请求的生命周期（续） · YouTube **Dan Fu：** 有了 72 张 GPU 的高速互联后，可以把各个专家分别放到不同 GPU 上。同一批 GPU 就能服务更大的 token 流量，算术强度也会提高：如果每张 GPU 上的专家都处理大量 token，计算就更像 GPU 擅长的大型矩阵乘法。 专家并行的演示几年前就有了，近期才逐渐变得可靠。这些 GB 机架很棒，但节点或 GPU 仍可能故障。若一个模型副本依赖 72 张 GPU，其中一张出故障而没有合适的恢复机制，就会损失 72 张 GPU 的算力。我们花了很多时间提升可靠性，让系统能抵御故障并平稳继续运行。 最后谈量化。算法本身不难找，相关论文有几百甚至几千篇，挑一种来用似乎很简单；但量化会直接影响用户体验和模型质量。模型可能以 BF16 训练，每个参数 16 bit、也就是 2 字节，因此 3 万亿参数要占 6 TB。机器学习计算本身有一定模糊性，不一定需要所有精度，也可能得到正确答案。我们知道能把 16 bit 缩成 8 bit 或 4 bit，同时保持不错的质量。真正重要的是，如何确保用户拿到合适的质量和体验。 Together 一方面要知道哪种量化适合硬件、能带来最高吞吐和每 GPU token 数；另一方面，用户正用模型构建公司、处理非常重要的事情。因此，在把模型交给用户前，我们会先在内部充分使用和测试。这样既能发现工具调用是否出问题——比如 Claude Code 突然不能搜索互联网，用户马上就会察觉——也能发现模型是否变笨、基准分数下降或端到端评测不理想。 我们一直运行一个 Flappy Bird 小循环，让模型快速尝试编写 Flappy Bird。如果量化出错，游戏里的小鸟突然不再拍翅膀，我们就知道要查原因并修复。核心是严格的评测闭环：基准测试、Agent 评测和内部试用。 ## [32:21] Dan Fu：一次推理请求的生命周期（续） · YouTube **Dan Fu：** 算法优化和创新当然很多，但最终关键是严谨的评测循环，包括基准测试、Agent 评测和内部试用。 举个成功案例：我们和许多开放模型提供方深度合作，也帮 MiniMax 部署 M3，以及他们即将推出的 M3.1（我不确定本来能不能透露，不过现在大家都知道了）。MiniMax 当时在把模型量化到 NVFP4 时遇到困难。我们从 kernel、服务部署和实际体验角度看，认为这对 NVIDIA GPU 是合适的量化格式。图上左边淡紫色是原始 FP8 模型，中间热粉色是 MiniMax 自己的量化方法，右边橙色是我们的方案。我们的方案达到原模型的性能，能让 MiniMax 服务更多 token，帮助他们从训练模型走到盈利服务、获得收入，再去训练大家期待的下一个模型。这是我们用量化专长帮助核心模型研发团队的一个有趣案例。 总结一下请求如何流经系统：路由决定发给哪个副本和数据中心；tokenization 要确保工具调用等环节正确；核心队列、批处理和调度会安排请求；prefill 与 decode 往往在不同 GPU 上运行，使用不同 kernel 和并行方案。所有这些环节发挥作用后，GPU 才把 token 送回来，供编程、聊天以及其他用途。 如果你对开放模型感兴趣，或者 CFO 正催你说云端代码助手太贵、也许该试试开放模型，二维码里有 Together 的销售联系和招聘页面。感谢大家收听。 **主持人：** 谢谢。我们还有几分钟提问，对吧？ **现场提问者：** Dan，谢谢你的演讲。我有两个问题。关于你们做的 NVFP4 量化，质量是怎么衡量的？用的是 GSM8K、困惑度、MMLU，还是和 MXFP8 比较？另一个问题是，什么互连技术让 Grace Blackwell 这一代芯片可以用网格形式连接超过 8 张 GPU？ **Dan Fu：** 关于量化质量，我们看三种公开基准，其中有些已经接近饱和，例如某项指标达到 90% 以上。若分数变化一个百分点或更多，就说明可能出了问题，模型在某些真实任务上会遇到困难。除了常规基准，我们也看每层的 KL 散度，检查激活值变化多少，还会跑端到端 Agent 流程。我们现在积累了数百个测试案例：每次有人报告模型出问题，就把它加入测试集。我们还持续跑 Flappy Bird 这样的 Agent 评测，并把它接入 Together Compiler，让模型优化自己的 kernel；如果它突然做不到了，我们就会调查。 ## [36:22] Dan Fu：一次推理请求的生命周期（续） · YouTube **Dan Fu：** （回答量化评测问题）我们会观察模型在公开基准上的变化、逐层激活值的 KL 散度，也会用成百上千个端到端测试案例和 Agent 循环评估。Flappy Bird 也被接入 Together Compiler，模型会优化自己的 kernel；如果它突然做不好，我们就知道需要排查。 **现场提问者：** 另一个问题是，从 8 GPU 互连到 72 GPU 互连，这一代技术跨越是怎样实现的？ **Dan Fu：** （介绍互连技术与个人使用体验；现场问题字幕较难辨认。） 我本人不是硬件工程师，从没设计或制造过硬件；最近最接近硬件的经历，是买了一个 Hugging Face 的微型设备。看机架会发现，每个托盘装四张 GPU，用很粗的线缆连到大型交换机，再把所有托盘这样连接起来，数据经过交换机后就能做归约等操作。至于从 8 张扩展到 72 张的具体技术跃迁，我并不熟悉，不过我很喜欢这套设备，也在使用它。 **现场提问者：** （后续问题涉及硬件测试方式，字幕语句破碎，无法可靠复原。） **Dan Fu：** 我们会做公开基准测试，也会跑自己的 Agent 循环，以及介于两者之间的各种测试。 **主持人：** 好，请把麦克风递过去。 **现场提问者：** 关于图里的量化方案，你们是从头训练，还是引入量化后继续做了多个预训练周期？热粉色那条是没有训练、直接把数值转换成低精度吗？ **Dan Fu：** 有些量化方案要求模型训练完成后再训练一遍。我们不喜欢这样，因为除非你就是模型提供方、掌握完整训练集，否则很难做到；而且继续训练可能让模型忘掉一些能力。我们的方案完全不需要训练，是公开方法的组合，其中包括校准数据，也深入使用了我们几个月前发布的 Scale Search 论文。关键在于谨慎选择量化配方，并且非常仔细地评估。市面上有上百种免训练量化方法，重要的是选对组合、严谨验证。 **现场提问者：** 谢谢。 **主持人：** 好，我们得继续了。最后一个问题。 **现场提问者：** 你对哪些模型架构最期待？例如 SSM、扩散语言模型（DLLM），或其他可能显著改善 decode 的架构？ ## [40:23] Dan Fu：一次推理请求的生命周期（续） · YouTube **Dan Fu：** 有趣的是，我读博士时研究过 SSM 等架构，当时常听到“没人会用，这条路走不通，Transformer 会统治世界、带来 AGI”之类的话。几年后，这些技术已经进入大型模型。Kimi K3 有个叫 KDA 的结构，基本上属于 SSM 或线性注意力风格的层——这么说可能有争议——但它确实出现在最好的开放模型之一里。稀疏注意力也在使用；扩散语言模型则已经用在 speculative decoding 里。 我的学生最近对循环模型很感兴趣：让 token 多次经过同一组网络层，这样可以增加训练 FLOPs，却不增加权重数量。我们原以为这想法很奇怪、没人会用，结果发现 OpenAI 和 Anthropic 至少已经在用了。 现在是个非常令人兴奋的时期。如果你提出一个好的架构想法，并花力气证明它有效，它可能很快就会进入 GPT-6 或 GPT-7。反馈和产生影响的周期现在非常短。 **主持人：** 谢谢你，Dan。 ## [42:19] Jeff Morgan：开源模型的 token 并非都一样 · YouTube **Jeff Morgan：** 大家好，我是 Jeff，Ollama 的联合创始人兼 CEO。今天想从更宏观的角度谈谈，为什么开源模型生成的 token 并不都一样，以及应用开发者该如何评估不同服务商的质量。现在推理公司已经不少，未来可能有几百甚至几千家。 Ollama 是一个 2023 年发布的开源项目，用来在本地运行开放模型。那时最受欢迎的模型，比如 Llama，体量较小，可以跑在一张 H100 上、笔记本电脑上或小型服务器上。项目一直想为开放模型提供类似 OpenAI 和 Anthropic 的开发者体验。后来模型越来越大，今年年初 Kimi、GLM 和 MiniMax 等发布了 5000 亿到 1 万亿参数的大模型，于是我们推出 Ollama Cloud，把本地开发体验搬到云端。今年这项服务发展很快，已成为美国和欧洲规模最大的独立开放模型云服务之一。 我们一直在思考如何让开发者跨模型、跨服务商获得良好体验。与传统推理服务商不同，我们关注及时提供最新模型、确保速度和可靠性。很多内部机制都在 Dan 刚才讲的路由器里。可靠性和尽早接入模型尤其重要，因为不同服务商擅长部署不同模型。 我们的架构也和很多 Ollama 客户相似。Fortune 500 企业中有很大一部分部署了 Ollama。和那些因为成本、控制权或其他原因从闭源模型转向开放模型的团队交流后，我们发现大家遇到的问题很相似。理想情况下，通过组合多个服务商可以兼得所长。服务商的定义也很宽：同一家服务商可能在不同地区、不同硬件上有不同部署，由不同团队使用不同推理引擎。 但把多个服务商组合起来会遇到一个核心问题：每家服务商运行模型的方式都不一样。这其实也有好处，因为不同团队擅长不同的性能优化。有些服务商用特定硬件；我听说最近甚至有一家推理服务商把 Mac mini 部署在世界各地。最终客户关注几个维度：成本、智能程度、速度，以及服务区域和隐私。跨服务商路由时，一家服务商在某个维度表现糟糕，就可能拖累整体体验。 ## [46:20] Jeff Morgan：开源模型的 token 并非都一样（续） · YouTube **Jeff Morgan：** 如果某一家服务商在这四项标准中的一项表现差，客户体验就会被拉到最低共同水平。原因可能是模型精度太低、过度量化、硬件故障，或使用了不同版本的权重。 工具调用尤其容易出问题。表面上看只是解析 JSON 和字符串，实际要处理工具调用失败恢复、不同工具的参数名与 schema 校验，还要确保 tokenizer 层的解析正确。不同服务商可能采用不同采样方式；推理引擎也很复杂，可以修改很多细节，例如自定义 kernel、KV cache 精度。某些差异只会在很特殊的场景暴露，比如超长上下文。甚至会发生很荒唐的情况：接口标着一个模型，实际运行的却是另一个模型，很难察觉，因为它们看起来都像友善、愿意帮忙的助手。 服务栈里很多环节都可能出错。面向多个地区和服务商的大量客户时，定位问题很棘手。我为今天的演讲梳理了行业已经做过的研究，发现这并不是新问题。大家常比较开放模型和闭源模型之间的差距，但对于同一个开放模型，最差服务商和最佳服务商之间的差距，可能比开放模型和闭源模型之间的差距还大。这问题相当严重。像 Together 这样的优秀伙伴提供的体验，可能与另一家服务商的同一模型完全不同。 这和 OpenAI、Anthropic 带动 token 需求的世界很不一样。使用闭源服务时，大家通常期待无论通过什么入口访问，都能得到一致体验；开源模型并非如此，服务差异可能比开放模型与闭源模型的性能差异还大。2024 年有篇论文测试了 31 个 Llama 接口，也发现同一模型的不同部署表现差异很大：有些 Llama 部署的表现甚至更接近 GPT-3.5，而不是号称完全相同的另一个 Llama 部署。 这个问题在编程 Agent 和其他 Agent 工作负载里更严重，因为它们上下文很长、执行周期也长，往往连续调用多次。某次响应不准确，错误就会层层叠加。一个看起来不复杂、需要 15 步的编程任务，如果每一步有 10% 概率偏离预期，最后整体可能有 79% 的概率出错，体验自然会很糟。 ## [50:21] Jeff Morgan：开源模型的 token 并非都一样（续） · YouTube **Jeff Morgan：** 对 Agent 而言，任务越难，问题越严重。怎样监控和检查推理接口？显然不可能把所有 token 都读一遍，尤其每张 GPU 每秒就能处理 160 万个 token。最直接的办法是跑评测，但这也是最昂贵、最费时的办法。Artificial Analysis 会定期在不同服务商上跑基准并排名。比如图里的 Kimi K3，大多数服务商都做得不错，但也有一些明显落后。基准能发现糟糕的量化等问题，不过运行成本高，无法持续做。 另一个办法是像 Moonshot 那样发布工具调用验证器和排行榜。Moonshot 曾受不了不同服务商对 Gemini 模型工具调用的处理差异，于是推出 Gemini K2 工具验证器和服务商排行榜，推动大家竞相提高工具调用准确率。模型开发者提供测试工具，能让使用者更正确地部署模型。 我们也在考虑分布测试：比较参考权重模型和服务商 API 输出的分布，衡量两者差距。它通常很便宜，也许每项测试约 1 美元；但它未必抓得到复杂问题，例如糟糕的量化，也不一定能解释问题原因。全面评测套件更容易定位具体测试，但需要运行参考模型，成本会增加。 还可以比较 log probability（对数概率）。只需发一个 token 的请求，取得下一个 token 的概率分布并和基线比较，就能便宜地观察服务商是否发生漂移。比如是否迁移了硬件、升级了推理引擎。论文案例发现不同端点存在大量变化，能识别服务栈悄悄发生的改变。推理引擎（如 vLLM、SGLang）会持续更新，用这种方式监控有助于维持客户体验一致。不过不少 API 不开放 log probs；而且它只能发现相对过去的漂移，若一开始就服务错了就帮不上忙。 ## [54:23] Jeff Morgan：开源模型的 token 并非都一样（续） · YouTube **Jeff Morgan：** 很多路由器现在会在不保留请求数据的情况下做一些检查：统计有多少工具调用通过、多少出错、是否发生工具调用错误，以及请求形态如何随时间变化。不同服务商的输出长度可能不同。观察请求外形就能发现问题，例如 DeepSeek 服务曾出现模型陷入无限循环。可以逐个请求保留一个运行分数持续监控，OpenRouter 的 Exacto 等做法也有类似思路。 我们的目标是让开放模型也有 OpenAI 和 Anthropic 那样稳定的体验。闭源实验室非常重视服务质量；去年 Anthropic 曾有一个 TPU kernel 小 bug，可能导致模型质量问题，足以引发一次完整的故障回顾。开放生态也需要这样的质量保障。一个方向是模型实验室共享更完整的运行栈。现在通常只是把权重放到 Hugging Face 或 Ollama，再附上示例代码，但那可能并不是实验室实际部署的服务栈，而是应用团队另外写的示例。 DeepSeek 昨天发布了自己的推理栈 DeepInfer，可以把 DeepSeek 权重放在自己的 GPU 上运行，希望达到每 GPU 小时 38 美元的成本。统一运行栈能帮助新兴服务商更有把握地正确部署模型。越来越多实验室也会在发布前与 Dan 团队这样的专家合作做好量化，让自家 API 与公开开放模型在量化方式上更一致；这不同于过去模型发布后由没有训练数据的人事后量化，只为把模型塞进 MacBook 等设备。 也可以通过较底层的 API 访问模型：把工具调用放进统一的 harness，而不是交给每家服务商分别处理，就能提高一致性和准确度。推理过程和思考内容的提取也是如此。LLM 质量监控对关键应用至关重要，创业公司在这方面有机会。一篇我很喜欢的论文还指出，现代 NVIDIA GPU 都有可信执行环境，可以证明当前运行的权重和软件；由此生成指纹，确认模型是否按正确方式服务。这个想法还比较前沿，但很有意思。 开放模型正在到处部署，我们需要评估质量，确保用户真正拿到好模型和好 token。谢谢大家。 ## [58:25] Jeff Morgan：开源模型的 token 并非都一样（续） · YouTube **现场提问者：** 在长时间、多轮 Agent 任务中，你怎样设定 prefill 的质量评测间隔？如何比较工具调用与长上下文？比如 decode 48 或 64 步后，是接纳 API 工具调用，还是优先处理运行中上下文的 prefill？ **Jeff Morgan：** 我不确定自己是否最适合回答调度接纳问题。若你指的是我那张图，思路是发一个单 token 提示，测输出的 log probs，再与基线比较，持续监测变化。这并不针对某个特定上下文长度。可以用越来越长的提示做同样测试，观察长度增加时 log probs 偏离多少。部分服务商会直接限制上下文窗口；尤其超过 20 万 token 后，可以检查下一个 token 的准确性是否仍与参考模型或过去的结果一致。这是一种无需跑完整评测的简洁方法，不过我对相关论文细节并不都熟悉。 **现场提问者：** 如果公开测试越来越多，量化团队会不会针对评测“爬坡”，只优化测试分数，却没有保留模型质量？怎么避免？ **Jeff Morgan：** 当大量服务商争夺最低 token 价格时，确实可能只针对某些流量模式优化。我们会与客户一起设计稳定运行的一组测试，贴合他们具体的使用场景。这些测试依赖客户自己的数据或流量，不公开，服务商不容易针对它们作弊。这样可以发现某家服务商在特定客户场景下没有达到应有表现。质量问题通常也是客户先报告，因此这种做法能把反馈闭环补起来。 **现场提问者：** 我刚接触 Llama 时，大家用本地模型；后来都转向云端。今天随着 Flint 和 Richard Socher 的 Recursive 发布，又回到了本地模型。你怎么看 Ollama 的未来？ **Jeff Morgan：** 现在本地运行模型的方法很多，也有不同推理引擎，例如 Apple Silicon 上的 MLX。 **现场提问者：** 还有 Calibri，可以在本地运行 Qwen 3.5 MoE，直接从磁盘提供服务，很酷。 ## [1:02:27] Jeff Morgan：开源模型的 token 并非都一样（续） · YouTube **Jeff Morgan：** 本地推理方式确实很多。我们谈到的所有问题同样适用于本地模型服务，无论是桌面设备、桌边的 DGX Spark、新出的 M5 Ultra，还是企业 GPU 数据中心。问题不仅在服务商，也在你选择的模型服务技术栈；你需要可靠测试它。 我们很高兴成为 Recursive 的首发合作伙伴，Flint 这个本地模型令人振奋。不过，不论是云端服务商把 token 返回给你，还是你自己运行推理引擎、每周更新一次，本质上都是同一个质量问题。开放模型的现实有点像西部荒野：模型可定制、可修改、可量化；几乎每个模型都能从 Ollama 或 Hugging Face 找到二十种左右的量化版本。难点是如何评测。线上服务不能每次都跑完整基准，还需要更轻量的持续测试，因此本地模型同样必须重视这件事。 **Jeff Morgan：** 谢谢大家。Ollama 的未来可能是人们混合使用本地和云端模型。新模型在本地编程方面很强。过去许多最好、最难的编程任务只能交给今年兴起的云端模型；现在，一些超强本地模型可以在 MacBook 上运行。路由问题将从云服务商之间的路由，扩展到本地与云端之间的路由。谢谢大家。 ## [1:04:32] Joe Fioti：用搜索编译模型，而非依赖启发式 · YouTube **Joe Fioti：** 大家好，我叫 Joe，是 Luminal 的联合创始人兼 CEO。我们是一家编译器公司，这听起来有点特别，但接下来会解释原因。编译器是整个系统栈的关键部分，它决定 GPU FLOPs 或 GPU 小时能转换成多少 token。编译器做得好不好，决定你亏钱、赚钱，还是赚很多钱。 我们做的编译器基于一种很新、很特别的技术，叫等式饱和（equality saturation）。我们认为它是将模型高效编译到多种硬件上的正确方法。我认为 NVIDIA 值 4 万亿美元，很大程度上得益于 CUDA 软件生态完善。把模型映射到复杂硬件上是个非常难、至今还没真正解决的问题。我们的做法是充分利用搜索：在编译时进行大量搜索，这样不用维护传统编译器里成堆复杂的改写规则和启发式方法，也不必每出一个新模型就维护庞大的 kernel 库。 我们以很小的共享编译器核心为基础，针对不同数据中心推理 ASIC 构建后端，支持 NVIDIA 和 AMD GPU、TPU、Trainium 以及各种推理 ASIC。我们每月大约运行 80 到 90 万亿个 token。我们不是 Together，但团队只有 8 个人，总有一天会赶上。 今天主要讲我们如何看待编译器，介绍一种不同于典型 MLIR 编译器栈的方法，以及它为什么适合 LLM、扩散模型、生物模型等机器学习应用。我会介绍支撑等式饱和的 egglog 引擎、等式饱和的含义、怎样设计中间表示（IR）来适配不同硬件并充分利用硬件，以及如何扩大搜索规模。 我们观察各种神经网络和深度学习应用后发现，它们并没有那么复杂，本质上是稠密线性代数，而且可用的稠密线性代数操作种类不多。我们把模型归约到大约 14 或 15 个原始操作，比如加、乘、求和等。这样可以把 PyTorch 的各种操作分解为很精简的一组操作，不会丢信息。它并非图灵完备，但我喜欢称它为“PyTorch 完备”：只要模型可以用 PyTorch 表示，我们就能导入并编译到支持的后端。比如矩阵乘法甚至不是我们的原语，我们会把它分解成广播乘法再加求和归约。PyTorch 有大约 2000 种操作，新模型又很复杂，硬件操作也很多；用这种中间层可以限制映射复杂度。 ## [1:08:32] Joe Fioti：用搜索编译模型，而非依赖启发式（续） · YouTube **Joe Fioti：** 不要让所有 PyTorch 操作和所有硬件操作彼此直接映射；中间需要一个瓶颈层，把 PyTorch 操作统一映射到原语，再从原语映射到底层硬件操作。我们的 RISC 风格原语集合就承担这个角色。 编译器领域有个 1990 年代的术语叫“超优化”（superoptimization），当时除了学术研究并没有真正普及。核心思想是搜索某个程序所有可能的形式，再通过成本函数挑选最佳形式。这样编译器工程师就不必事先知道如何把给定程序降到特定硬件上。可能的映射方式呈指数级增长；传统公司因此需要不断扩大编译团队，团队规模会随要支持的应用、模型架构、后端和数据类型急剧膨胀，甚至可能需要 500 到 1000 名工程师，结果编译器仍不完美。 我们希望编写很小、原子的重写规则，描述哪些表达式彼此等价，再让搜索决定何时使用哪条规则，而不是由人写死规则顺序。等式饱和正好能做到：定义等式重写规则，构建搜索空间，再遍历搜索空间。 我们的 IR 是计算图，也就是有向无环图（DAG），包含加法、乘法及它们之间的依赖关系。我们使用 e-graph。普通重写规则会在图里匹配一个模式并用新表达式替换，旧信息会被丢弃，因此必须确信这条规则正确。e-graph 则以非破坏方式应用重写规则：把等式右侧的信息也加入图中，同时保留等式两边、变换前后的表达式。 我们按各种可能顺序持续应用所有重写规则，直到无法再增加信息。此时 e-graph 达到“饱和”。之后从中抽取许多具体计算图，把它们编译成目标硬件上的可执行程序，实际运行并计时，目标就是最小化运行时间。这是一个直接的流程。 图上左边的例子可以看作表达式 A×2÷2：根节点表示整个表达式，向下的节点代表除法两边。应用规则后，图不断扩展，例如 A×2 等价于 A 左移一位。继续应用规则…… ## [1:12:34] Joe Fioti：用搜索编译模型，而非依赖启发式（续） · YouTube **Joe Fioti：** 饱和图会发现 A×2÷2 等价于 A，因此可以简化表达式，不必事先写一条专门匹配该模式的启发式规则。我们的重写规则很简单，用 Lisp 语法编写，因为所用引擎的作者喜欢 Lisp。比如交换律 x+y=y+x；不过浮点数上这未必严格成立，IEEE 浮点的结合律、交换律都比较棘手。另一个规则是常量折叠：如果编译时已知 a+b，就直接算出来，从程序里删掉这段运行时计算。 核心原语 IR 在所有后端共享，但我们希望编译到 TPU、Trainium 和 GPU。每种硬件都提供一组实现好的操作，可能在不同抽象层级。GPU 的 Tensor Core MMA 就是一种操作，从 SRAM 读取输入并把结果写回 SRAM。我们会刻画新的硬件后端，并定义它的操作如何等价于编译器已知的操作，再写少量重写规则；这些等价关系会与已有规则组合。因此，即便新硬件和现有后端差异很大，接入它也相对省力，不必养一支庞大编译器团队维护复杂改写。 硬件本身是分层的：你可能编程单个线程、一个 warp、一个 thread block（大致控制一个 GPU 核心/SM），也可能编程整张 GPU，甚至整台节点。我们的 IR 是多层级的，能明确表示这些层级，并接纳社区或供应商库在不同层级实现的操作。等式饱和能把它们不同的语义连接起来，描述什么等于什么，再让引擎搜索替换。 ## [1:16:36] Joe Fioti：用搜索编译模型，而非依赖启发式（续） · YouTube **Joe Fioti：** 例如，cuBLAS 有从 CPU 调用的主机级操作，负责完整矩阵乘法。NVIDIA 的 CUTLASS、cuBLAS DX，以及 Hazy Research 的 ThunderKit，则提供 thread block 层级操作，一次编程一个 GPU 核心。编译器能理解不同层级的操作，所以可以把低层子图组合成 mega-kernel。一次 forward pass 可以由普通 kernel 和 mega-kernel 混合实现。Mega-kernel 很酷，但并非总是最佳方案，尤其模型很大时。 定义搜索空间后，还要判断程序 A 是否优于程序 B，也就是需要成本模型或适应度函数。要针对现代 GPU 建立准确成本模型非常困难，需要许多博士级工作。小公司不可能给每种目标硬件都做出精准成本模型。按照“苦涩的教训”，最好的成本模型是不做成本模型：直接在目标硬件上运行程序，测量时间。这个办法听起来笨，却很有效；程序员觉得无益的搜索变换，真实 GPU 测出来可能反而更快。 当然无需跑完所有搜索空间。可以用 roofline 等方法估计子程序下限，提前剪掉已知不可能更快的部分，但总体上我们尽量在真实硬件上测量。演示视频展示了系统生成 kernel 的过程。顺便宣传一下：我们这个编译器公司罕见地解决了盈利问题，许多编译器公司都没找到赚钱方式。我们的云运行在多种异构硬件上，每月处理约 8000 万亿 token 和数百万张图像。通用编译器不仅能运行主流模型，也能支持蛋白质折叠、生物模型、图像模型等各类模型。公司现在 8 人，正在快速扩张、积极招聘。我们用特别的编译技术把不同硬件变成可替代的通用算力；欢迎访问 Luminal 官网。 ## [1:20:38] Joe Fioti：用搜索编译模型，而非依赖启发式（续） · YouTube **现场提问者：** 我喜欢你们 RISC 风格的方法。针对机器学习工作负载，你们做了哪些适配？浮点数里的结合律和交换律很微妙，但机器学习似乎可以接受不同运算顺序。你们怎样把这一点放进成本模型或语言设计？ **Joe Fioti：** 结合律和交换律仍然重要，因为它们会影响数值精度。树形求和与顺序求和结果会不同，数值精度错误确实会影响输出 token 质量，所以我们会明确建模。另一方面，重写规则有时也能利用硬件上输入 A 和输入 B 的不同实现方式。例如 NVIDIA Tensor Core 可能要求输入 A 来自 SRAM，而输入 B 来自另一种内存空间。 **现场提问者：** 直接在实际硬件运行似乎很困难：如果是整个模型，成本不现实；如果只测单个 kernel，又怎样建模竞争？另外你们扩大了搜索空间，搜索怎么扩展？ **Joe Fioti：** 这其实是两个问题。完整模型 forward pass 和一次 profiling 迭代通常不到 10 毫秒，因此一秒能跑约一千次，仍然很快。搜索空间确实很大，我们用遗传算法等常规搜索方法。以后可以尝试 MuZero 这类学习引导的搜索，但目前还不需要。我们只搜索整个空间的 1% 的 1%，但不追求全局最优，只要找到接近全局最优、比如达到 99% 性能的局部最优，难度就小很多。 编译时间是明确接受的取舍：推理客户只要运行更快，就不太在意编译时间。一个编译产物可能服务数百万张 GPU；如果编译一天能换来 1%、5% 或 10% 的运行时提升，就值得。通常可以设置一小时或十小时的编译预算，直到收益递减；搜索往往能较好扩展，但最终也会遇到边际收益降低。 **现场提问者：** 你们会用实际推理流量的 profile 引导搜索吗？ **Joe Fioti：** 我们尽量使用贴近真实的输入。因为自己经营云服务，我们知道客户关心的张量形状，也大致知道运行时会输入什么形状和数据分布。只要重写规则正确，程序结果就正确；用行业真实的张量形状计时，也能得到相当准确的性能数据。 ## [1:24:40] Joe Fioti：用搜索编译模型，而非依赖启发式（续） · YouTube **现场提问者：** 不同模型架构映射到不同硬件时，调试很困难，尤其要找出哪个层的算子降级出了问题。Luminal 怎么解决？ **Joe Fioti：** 通用调试一直都很难。我们使用 PyTorch 提供的工具给高层操作打标签，并在编译器中跟踪这些元数据；也使用标准 PyTorch profiler 找出瓶颈。等式饱和和 egglog 还有个好处：如果输出程序错了，可以要求它给出从输入程序到输出程序的证明，也就是列出应用过的重写链条，然后很快找出无效规则。 **现场提问者：** 我很喜欢这种设计。不支持的操作通常可以回退到 CPU，不过你们会把操作展开，而编译器一般想融合操作；这会造成多少延迟影响？ **Joe Fioti：** 我们确实会做融合。先把操作展开成核心原语 IR；降低到硬件时，编译器会搜索不同形式，最后也通常会得到融合操作。我们会用 roofline 直觉判断：如果某个 kernel 在 DRAM 中搬运的数据比另一种方案多一个数量级，那大概不理想。中间表示会展开操作，随后搜索再找到模式并重新融合。 **现场提问者：** 你提到语言并非图灵完备，这意味着不受 Rice 定理限制。你们在哪一层利用这一点？ **Joe Fioti：** 没错，这也是早期的重要发现。1990 年代超优化没有成功，部分原因是试图用于 C 这类通用语言。C 是图灵完备的，可编译形式几乎无穷，推理非常困难。我们编译的只是稠密线性代数程序，范围远比任意程序窄；它可以表示 PyTorch，却不是图灵完备。我们可以分析…… ## [1:28:41] Joe Fioti：用搜索编译模型，而非依赖启发式（续） · YouTube **Joe Fioti：** 我们能分析不同内存空间之间到底搬运了多少字节，据此推导 roofline 性能上限，不必先运行模型。所以可以大量提前剪枝，只需相对于完整搜索空间运行少量 profiling。 **现场提问者：** 谢谢。你们的搜索空间会包含量化、推测解码和并行策略吗？ **Joe Fioti：** 通常不会。我们主要负责 forward pass：给定 forward pass 计算图，把它编译好。vLLM 和 SGLang 等推理引擎已经很好地支持推测解码，我们可以直接使用。我们认为主要收益来自处理复杂并行拓扑和 forward pass 本身，其他创新留给推理引擎，因此不会搜索到那一层。 **主持人：** 谢谢 Joe。 ## [1:30:32] Liangsheng Yin：SGLang 与 Agent 时代的内存 · YouTube **Liangsheng Yin：** 大家好，我是 Leon Shaw，担任 SGLang 和 RadixArk 的总裁。（字幕里的自我介绍姓名与节目章节所列的 Liangsheng Yin 不一致，可能是语音识别错误。）很荣幸受邀。我原以为这是读论文的俱乐部，大家会集中讨论一篇论文；Francois 刚才讲了很多技术，而不只是一篇论文。我原本准备了一些 SGLang 原始论文、开源项目和当前优化的内容，后来又加了几页，现在就开始。 这个故事与 Agent 工作负载有关，可以追溯到 2023 年底。当时开放模型主要就是 Llama，人们还在猜 Agent 工作负载会是什么样。我们预想会有工具调用、并行子 Agent，类似现在的云端编程助手。比如你在 Cloud Code 里启动一个子 Agent，多个 Agent 会共享同一个 KV 池中的大型上下文。监控各自结果时，你输入的提示可能很短，却会多次进入引擎、再多次离开。那时引擎还不能高效复用共享前缀，所以我们提出 RadixAttention，让它自动复用共享前缀，只计算新的后缀。 我们提出 RadixAttention，把所有 Agent 的上下文纳入引擎内的内存管理系统，像树一样组织，内部叫 Radix Tree。图里的例子是共享一个长系统提示：一个 Agent 做认证，一个做审查，它们基于同样提示分别执行不同任务。内存有限时，某个 Agent 的后缀可能被淘汰。我们的调度和核心设计都围绕这棵 Radix Tree 展开。 左侧图展示 Agent 的前缀保护。需要腾出内存时，我们淘汰未使用的叶节点。调度和淘汰算法可以根据工作负载及需求调整。 ## [1:34:33] Liangsheng Yin：SGLang 与 Agent 时代的内存（续） · YouTube **Liangsheng Yin：** Agent 会交错地向引擎发送提示。如果能重新排序，就可以按缓存友好的顺序批处理、复用上下文 A，而不是让 A 和 B 交错处理后冒着缓存被淘汰的风险。 这就是 SGLang 成为服务引擎的过程：原始论文提出在内存管理系统中构建 Radix Tree；到 2024 年中，我们把它发展成通用的大语言模型推理引擎，并发布 0.2 版本，支持 Llama 8B、Llama 405B 的在线和离线服务。 批处理、内存管理和淘汰都需要给等待请求排序并设置优先级。GPU 推理越来越快，但 CPU 效率没有同步提升。传统调度会先准备批次一、运行批次一、取回数据，再准备批次二，导致 GPU 空转。GPU 较慢时空转通常可接受，约在 10% 以内；GPU 越快，CPU 造成的空泡就越明显。 因此我们设计了重叠调度：把设备到主机的同步延后一个周期，避免关键路径上的阻塞操作；同时提前准备下一批。批次一运行时就发起批次二，不让 GPU 等待。现在很多新引擎都采用类似机制，包括 DeepSeek 新发布的推理引擎。Hopper 上相比普通调度吞吐约提升 1.1 到 1.5 倍；到了 Blackwell，在 GB 配置下有时可达到两倍。 Agent 和缓存的故事还在继续，因为 GPU 内存始终有限…… ## [1:38:34] Liangsheng Yin：SGLang 与 Agent 时代的内存（续） · YouTube **Liangsheng Yin：** 使用长上下文时，用户可能几分钟、几小时甚至几天后才继续发送下一轮提示，因此要找到地方保存之前的前缀。于是我们引入分层缓存，这是许多引擎常见的技术：把 GPU 显存、主机内存和内部存储组织成 L1、L2、L3 缓存。每个 token 可以在不同层级，按策略管理，以提高缓存命中率、缩短从 L2 到 L1 或从 L3 到 L2 的加载时间。我们的实验中，这使 TRFT 降低了 56%。 传统 Transformer 在长上下文和高效部署方面不够理想，模型架构正在不断创新，例如滑动窗口注意力，以及保存 recurrent state、memory state 或 KDA 状态的结构。它们逐 token 把信息写进固定形状的状态。看似只需给不同层增加不同内存池，形成混合存储和计算，但并不简单，因为还要考虑不同缓存之间如何共享。 比如想在位置 10 命中缓存，完整注意力池需要匹配完整 KV token；如果滑动窗口大小为 4，就至少还需保留位置 7 到 10 的四个 token。若只保留到位置 8，就无法命中，因为滑动窗口要重新完整计算。想从位置 10 共享前缀，也必须恰好保留位置 10 的 memory/KDA 状态。若分开管理不同内存池，高效共享缓存就非常困难。 缓存命中率从 95% 提高到 99%，成本可降低五倍，而不是只省 5%，因为推理计算量会变成原来的四分之一。 ## [1:42:35] Liangsheng Yin：SGLang 与 Agent 时代的内存（续） · YouTube **Liangsheng Yin：** 以前 Radix Tree 是独立实现的，没有考虑底层不同内存池，因此会遇到兼容性和灵活性问题。要保护历史、锁定前缀节点，也需要在完整注意力层、滑动窗口层和循环层之间协调，各组件得遵守协议满足外部策略。 因此我们引入统一 Radix Tree。我们不再把这些组件视为互不相关的独立部分，而是基于完整 token 构建语义 token 树。无论架构如何变化，完整 token 至少目前始终存在；其他 token 状态仍由各组件内部维护。统一 Radix Tree 作为控制器和协调者，帮助每个组件实现最佳缓存匹配效率。各组件保留自己的匹配、淘汰和内存规则，但都能与统一树配合，处理边界情况，避免内存泄漏或浪费。 另外还有个我没放在幻灯片里的问题：完整 token、窗口 token 和循环状态三类存储，在不同用户和工作负载中的比例差异很大。有人上下文只有 4K，有人用 128K，还有人始终使用 100 万 token。后一类需要完整 token 池，而滑动窗口可能只需要最近 128 个 token。不同工作负载的比例不同，不能固定预留内存比例。资源有限、又要支持多种负载时，必须用统一方式管理所有底层内存池。 ## [1:46:35] Liangsheng Yin：SGLang 与 Agent 时代的内存（续） · YouTube **Liangsheng Yin：** 除统一 Radix Tree 外，我们还提出统一内存池，以服务不同工作负载。过去按预先算出的固定比例分配内存；现在只分配一整块物理内存，不给 4K 上下文池或滑动窗口 KV 池设固定上限，而是按字节细分，让不同池从物理内存两端按实际使用情况增长。上下文很长，就给完整 token 池更多内存；上下文较短，就把更多内存给循环状态和窗口 KV。 但许多 kernel 和后端要求数据在物理内存中连续。提前分配和淘汰会在 GPU 物理内存里留下空洞，而这些空闲区域可能无法重用，因为会遇到不同内存池的边界。 为此我们引入 compaction（压缩整理）：重新组织物理内存中的碎片，用低延迟内存拷贝 kernel 把数据紧凑排列，再重新映射内存页 ID。用户看到的虚拟页 ID 不变，只改变底层映射，因此整个服务工作负载更灵活。 从服务引擎开始，我们也把 Miles 推理引入训练循环。XLA 和 Miles 主要由 Red Hat AI 贡献：XLA 负责 rollout，是 Miles 强化学习训练的合适后端；Miles 支持完全异步执行，让生成和训练持续推进。 我们从 RadixAttention 起步，逐渐发展成开源推理引擎、Miles、XLA 和扩散模型支持，并做了很多工作来推动开源 AI 基础设施。接下来几个月将举办 XLA 峰会，会有不少嘉宾演讲，欢迎扫描二维码报名。 ## [1:50:35] Liangsheng Yin：SGLang 与 Agent 时代的内存（续） · YouTube **Liangsheng Yin：** 以上就是我的演讲。有什么问题吗？（掌声）