以decode平均时延限制50ms以内为目标，限制非首token时延的极限吞吐的调试方式如下所示。

服务端：
1. “maxBatchSize”调小到卡对应的时延，一般情况下“maxBatchSize”越小，则decode时延越小。
2. 设置supportSelectBatch=True，“prefillTimeMsPerReq”和“decodeTimeMsPerReq”按照模型实际平均首token时延和decode时延进行设置。
客户端
- 按并发数发送请求：客户端Concurrency通常配置为maxBatchSize的值减1。
- 按频率发送请求：则Concurrency可设置为1000，请求发送频率根据实际业务场景或按模型实际QPS设置。

操作步骤

使用以下命令启动服务，以当前所在Ascend-mindie-service_{version}_linux-{arch}目录为例。
```
./bin/mindieservice_daemon
```
回显如下则说明启动成功。
```
Daemon start success!
```
服务启动后，可通过info级打屏日志k_caches[0].shape=torch.Size([npuBlockNum, x, x, x])中torch.Size的第一个值获取npuBlockNum的值，如图1所示，与2.a中计算出来的值一致。

图1 启动成功
根据2.c计算出“maxBatchSize”的取值范围为[362，1088]，设置初始值为435；“maxPrefillBatchSize”参数的值设置为“maxBatchSize”值的一半，取值为217。

配置完成后，用户可使用HTTPS客户端（Linux curl命令，Postman工具等）发送HTTPS请求，此处以Linux curl命令为例进行说明。

重开一个窗口，使用以下命令发送请求，获取当前DecodeTime的平均值（Average），如图2所示，此时decode平均时延为60.1889ms。

benchmark \
--DatasetPath "/{模型库安装路径}/tests/modeltest/dataset/full/GSM8K" \          //数据集路径
--DatasetType "gsm8k" \                                                         //数据集类型
--ModelName LLaMa3-8B \                                                         //模型名称
--ModelPath "/{data}/LLaMa3-8B" \                                               //模型路径
--TestType client \                                                             //模式选择
--Http https://{ipAddress}:{port} \                                             //请求url
--Concurrency 1000 \                                                            //并发数
--TaskKind stream \                                                             //Client不同推理模式，此处为文本流式推理
--Tokenizer True \                                                              //分词向量化标识
--MaxOutputLen 512                                                              //最大输出长度

图2 maxBatchSize取值为435时decode的平均时延（Average）
点击放大

以上结果超过了decode平均时延为50ms的限制，所以需要调小“maxBatchSize”的值继续调试。

设置“maxBatchSize”的值为300，“maxPrefillBatchSize”参数的值设置为150。然后执行3，继续观察decode平均时延，执行结果如图3所示，此时decode平均时延为46.9689ms。

图3 maxBatchSize取值为300时decode的平均时延（Average）

以上结果可以看到decode平均时延满足50ms以内的限制，但是还未接近50ms，所以需要调大“maxBatchSize”的值继续进行调试。
设置“maxBatchSize”的值为350，“maxPrefillBatchSize”参数的值设置为175。然后执行3，继续观察decode平均时延，执行结果如图4所示，此时decode平均时延为49.846ms。

图4 maxBatchSize取值为350时decode的平均时延（Average）

以上结果可以看到decode平均时延已经很接近50ms，此时几乎已达到限制decode时延下的最大吞吐量。如需获取decode平均时延更接近50ms时的“maxBatchSize”值，请根据以上操作步骤继续调试。