Title here
Summary here
LLM 推理基础
LLM 推理基础
本文介绍大语言模型（LLM）推理的基础知识，包括 Transformer 架构原理、自回归生成过程，以及 Prefill/Decode 两阶段的特性差异。
1. Transformer 架构回顾
现代大语言模型（LLM）几乎都基于 Transformer 架构构建。理解 Transformer 的工作原理是理解 LLM 推理优化的基础。
1.1 Self-Attention 机制原理
Transformer 的核心是 Self-Attention（自注意力）机制。对于输入序列 X，Self-Attention 通过三个线性变换生成 Query（Q）、Key（K）、Value（V）：
Q = X · W_Q
K = X · W_K
V = X · W_V然后计算注意力分数：
Attention(Q, K, V) = softmax(Q · K^T / √d_k) · V其中 d_k 是 Key 向量的维度，用于缩放防止点积过大。
graph LR
subgraph attention["Self-Attention 计算流程"]
X["输入 X"] --> WQ["W_Q"]
X --> WK["W_K"]
X --> WV["W_V"]
WQ --> Q["Query"]
WK --> K["Key"]
WV --> V["Value"]
Q --> MM1["Q · K^T"]
K --> MM1
MM1 --> Scale["÷ √d_k"]
Scale --> SM["Softmax"]
SM --> MM2["× V"]
V --> MM2
MM2 --> Out["输出"]
end
1.2 Multi-Head Attention
实际应用中，Transformer 使用 Multi-Head Attention，将注意力计算分成多个"头"并行执行，每个头关注不同的特征子空间：
MultiHead(Q, K, V) = Concat(head_1, ..., head_h) · W_O
其中 head_i = Attention(Q · W_Q^i, K · W_K^i, V · W_V^i)graph TB
subgraph mha["Multi-Head Attention"]
Input["输入"] --> H1["Head 1"]
Input --> H2["Head 2"]
Input --> H3["Head 3"]
Input --> Hn["Head N"]
H1 --> Concat["Concat"]
H2 --> Concat
H3 --> Concat
Hn --> Concat
Concat --> WO["W_O"]
WO --> Output["输出"]
end
1.3 Transformer Decoder Layer
一个标准的 Transformer Decoder Layer 包含：
- Masked Self-Attention：处理当前位置与之前所有位置的关系
- Feed-Forward Network (FFN)：两层全连接网络，通常有较大的中间维度
- Layer Normalization：稳定训练
- Residual Connection：残差连接
graph TB
subgraph decoder["Transformer Decoder Layer"]
Input["输入"] --> LN1["Layer Norm"]
LN1 --> MSA["Masked Self-Attention"]
MSA --> Add1["+"]
Input --> Add1
Add1 --> LN2["Layer Norm"]
LN2 --> FFN["Feed-Forward Network"]
FFN --> Add2["+"]
Add1 --> Add2
Add2 --> Output["输出"]
end
1.4 参数规模与计算量
对于一个 L 层、隐藏维度 d、注意力头数 h 的 Transformer 模型：
- 参数量：约 12 × L × d²（主要来自 Q/K/V 投影和 FFN）
- FLOPs：对于序列长度 n，单次前向传播约 2 × n × 参数量
| 模型 | 参数量 | 层数 | 隐藏维度 | 注意力头数 |
|---|---|---|---|---|
| Llama-7B | 7B | 32 | 4096 | 32 |
| Llama-70B | 70B | 80 | 8192 | 64 |
| GPT-4 (估计) | ~1.7T | ~120 | ~12288 | ~96 |
2. 自回归生成过程
LLM 生成文本采用**自回归（Autoregressive）**方式：每次只生成一个 token，然后将其作为下一次生成的输入。这个过程分为两个明显不同的阶段：
2.1 Prefill 阶段（Prompt Processing）
- 输入：用户的完整 prompt（可能数千个 token）
- 计算：一次性并行处理所有输入 token
- 输出：生成第一个输出 token + KV Cache
- 特点：计算密集型（Compute-bound）
sequenceDiagram
participant User as 用户
participant Model as 模型
Note over User,Model: Prefill 阶段
User->>Model: "What is the capital of France?"
Note right of Model: 并行处理所有 token
Note right of Model: 计算 Q, K, V
Note right of Model: 存储 K, V 到 Cache
Model->>User: "The" (第一个 token)
2.2 Decode 阶段（Token Generation）
- 输入：单个 token（上一步生成的）
- 计算：利用 KV Cache，只计算新 token 的 attention
- 输出：下一个 token
- 特点：内存带宽受限（Memory-bound）
sequenceDiagram
participant User as 用户
participant Model as 模型
participant KVCache as KV Cache
Note over User,Model: Decode 阶段（循环）
loop 直到生成结束符
Model->>KVCache: 读取历史 K, V
Note right of Model: 只计算新 token 的 Q
Note right of Model: Attention 使用缓存的 K, V
Model->>KVCache: 追加新的 K, V
Model->>User: 输出 token
end
3. 两阶段的计算特性差异
3.1 特性对比
| 特性 | Prefill | Decode |
|---|---|---|
| Token 数量 | 多（整个 prompt） | 1（每次） |
| 并行度 | 高 | 低 |
| 计算瓶颈 | GPU 算力 | 内存带宽 |
| GPU 利用率 | 高（60-90%） | 低（5-30%） |
| 批处理收益 | 线性提升 | 显著提升 |
3.2 计算特性图解
graph TB
subgraph prefill["Prefill 特性"]
P1["计算密集"] --> P2["高 GPU 利用率"]
P1 --> P3["并行度高"]
P3 --> P4["批处理收益线性"]
end
subgraph decode["Decode 特性"]
D1["内存带宽受限"] --> D2["低 GPU 利用率"]
D1 --> D3["需要批处理"]
D3 --> D4["批处理收益显著"]
end
3.3 KV Cache 的作用
KV Cache 是 LLM 推理优化的关键：
- 避免重复计算：历史 token 的 K、V 只计算一次，后续直接复用
- 内存换时间：用额外的内存存储换取计算时间
- 线性增长：Cache 大小随序列长度线性增长
flowchart LR
subgraph kvcache["KV Cache 工作原理"]
T1["Token 1"] --> KV1["K1, V1"]
T2["Token 2"] --> KV2["K2, V2"]
T3["Token 3"] --> KV3["K3, V3"]
KV1 --> Cache["KV Cache"]
KV2 --> Cache
KV3 --> Cache
NewToken["新 Token"] --> Q["Query"]
Q --> Attn["Attention"]
Cache --> Attn
Attn --> Output["输出"]
end
4. 关键指标定义
理解 LLM 推理性能需要关注以下指标：
| 指标 | 全称 | 说明 |
|---|---|---|
| TTFT | Time To First Token | 从请求到第一个 token 的延迟 |
| ITL | Inter-Token Latency | 相邻 token 之间的延迟 |
| Throughput | 吞吐量 | tokens/s 或 requests/s |
| Latency | 端到端延迟 | 完整请求的响应时间 |
sequenceDiagram
participant Client as 客户端
participant Server as 服务端
Note over Client,Server: TTFT
Client->>Server: 发送请求
Server-->>Client: 第一个 Token
Note over Client,Server: ITL (重复)
Server-->>Client: Token 2
Server-->>Client: Token 3
Server-->>Client: Token N
Note over Client,Server: 端到端延迟
Server-->>Client: ["完成"]
小结
本文介绍了 LLM 推理的核心基础：
- Transformer 架构：Self-Attention 机制是核心，Multi-Head 并行计算
- 自回归生成：逐 token 生成，分为 Prefill 和 Decode 两阶段
- 两阶段差异：Prefill 计算密集，Decode 内存带宽受限
- KV Cache：存储历史计算结果，避免重复计算
理解这些基础知识，有助于理解后续章节中 Dynamo 如何优化这些问题。
下一篇
继续阅读 02-行业痛点与解决方案，了解传统推理框架的问题以及业界的解决思路。