大模型推理流程简介

ChatGPT的推出意味着交互式人工智能逐渐成为商业化成熟产品，同时也进一步推动了底层技术大型语言模型LLM的研究和进步。现有主要使用的LLM包括GPT系列、LLAMA系列、GLM系列。其模型基础架构都采用Transformer架构，并以Decode-Only为主。该类Transformer-Based-Decode-Only的LLM在推理预测时，采用自回归生成（auto-regressive generation，AR）模式。即每个token生成需要经过LLM模型的前向推理过程，即完成N次Transformer Layer层计算，意味着包含M个token的语句完整生成需要经过M次完整LLM前向推理过程。

在Transformer推理过程中利用KV Cache技术可降低Decoding阶段的计算量，目前已成为LLM推理系统的必选技术。采用KV Cache的LLM推理过程通常分为预填充（Prefill）和解码（Decode）两个阶段。

• Prefill阶段：将用户请求的Prompt传入大模型，进行计算，中间结果写入KV Cache并推理出第1个token。随着Prompt Sequence Length长度线性增长，对首token时延（TTFT）指标有要求的业务通常采用单batch方式执行LLM推理，该阶段属于计算密集型操作。
• Decode阶段：将请求的前1个token传入大模型，从显存读取前文产生的KV Cache再进行计算。采用KV Cache技术后，单token计算量低，而主要瓶颈在于搬运参数量，故通常需要采用多batch方式提升利用率，该阶段属于访存密集型操作。