同一套4块GPU,同时能跑的对话数量从66个变成371个。差别不在硬件,在推理系统的设计方式。

这套做法用了三招:PagedAttention、连续批处理(continuous batching)和量化。三者叠加之后,系统的并发对话处理能力被大幅拉高,原本只能撑66个并发对话的配置,跑到了371个。

把这三招拆开看,各自解决的是推理系统里不同环节的效率问题:

  • PagedAttention:针对注意力计算中的内存管理方式做优化
  • 连续批处理:让批处理过程连续运转,而不是等一批凑齐再走
  • 量化:压缩数值精度,降低计算与存储开销

这三项技术被并列视为提升大语言模型推理效率与吞吐量的有效手段。它们共同作用的对象是推理系统本身,而不是模型能力——换句话说,模型没换,换的是它跑起来的方式。

对做LLM应用的人来说,这个数字的意义在于成本结构。并发对话数直接决定一套GPU能服务多少用户,66到371的跨度,意味着同样的硬件投入可以承接的请求量级完全不同。

推理优化这条线上的进展,往往不像新模型发布那样引人注意,但它决定了模型能不能被真正用起来。PagedAttention、连续批处理、量化这三个名字,正在成为LLM推理系统设计里的常见配置项。