1. 把 Prefill 和 Decode 当成两个物种来看，是这套笔记第一个想讲明白的事
聊到高级调优，核心其实就两个字：边界。Prefill 阶段和 Decode 阶段在计算形态、访存特性、延迟目标上完全是两个物种，却挤在同一套显存和同一个调度器里，这就是性能问题最集中的来源。
先回忆一下自回归生成的过程。用户输入一段 prompt，模型先并行处理整段输入，一次性把所有 token 的中间状态计算出来，这个阶段叫 Prefill（预填充）。得到第一个输出 token 后，后续的每一个 token 都依赖前序全部 token 的信息，只能一个一个生成，这个阶段叫 Decode（解码）。哪怕总输出长度只有 500 token，Decode 也要循环 500 次，其中大部分时间 GPU 算力压根用不满。
这里有两个对性能工程极其重要的延迟指标：TTFT（Time To First Token，首 Token 耗时）和 TPOT（Time Per Output Token，每个输出 Token 的耗时）。前者由 Prefill 主导，决定用户"第一反应快不快"；后者由 Decode 主导，决定"连续说话时流不流畅"。不少团队在做压测时只盯总吞吐（tokens/s），结果优化完吞吐很好看，线上用户却普遍抱怨"转圈时间久"或者"一个字一个字蹦出来"，就是因为没有把这两个阶段拆开来看。
更关键的是计算形态的差异。Prefill 阶段输入是一个长序列，模型内层是标准的 GEMM，矩阵维度大、计算密度高，GPU 的算力可以发挥到相当高的水平；Decode 阶段输入只有一个 token，同样一层的计算退化成了 GEMV（矩阵乘向量），访存量远大于计算量，GPU 算力被严重浪费，性能瓶颈几乎是纯访存瓶颈。
换句话说：Pre fill 的敌人是算力不够和 batch 不够大，Decode 的敌人是显存带宽不够和 KV Cache 太大。两者放一起优化，就是本篇文章的整体框架。下面分别深挖。
2. Prefill 侧的高级优化：分块预填充、独立部署与注意力实现迭代
2.1 为什么不建议让一个大 prompt 独自占满整张卡
很多人在模拟长上下文场景时发现，一个 8k token 的 prompt 进来，Prefill 部分就要耗掉几百毫秒甚至几秒，期间其他请求的 Decode 全部被卡住。长尾延迟由此产生。解决思路之一就是 Chunked Prefill（分块预填充）：把一个长 prompt 拆成若干 chunk，以 chunk 为单位加入调度队列，这时候同一条 prompt 的 Prefill 可以被其他请求的 Decode 插空执行。
这个方案的好处是消除了"长 Prompt 独占算力"的局观，坏处是 Prefill 被拆碎后计算效率略有下降，因为每块之间需要额外保存中间状态，KV Cache 也要提前为整个序列预留显存。它适合高并发、请求长度波动大的在线服务；对应的批处理大小参数也会因此调大不少。
2.2 Prefill 与 Decode 完全分家：PD 分离架构的取舍
当优化走到一定深度，很多团队会把 Prefill 和 Decode 部署到两批独立实例上：负责 Prefill 的实例专门吃大 batch 的 GEMM，负责 Decode 的实例专心做 GEMV。中间通过一个额外的缓存层（KV Cache 传输）把 prefill 结果交给 decode 实例。这种方案业内俗称 PD 分离。
它的核心收益在于：两种阶段可以独立扩缩容。线上如果首 Token 延迟敏感，就多配 Prefill 实例；如果长对话并发高，就多配 Decode 实例。代价则是多一跳网络传输、KV Cache 序列化延迟，以及系统复杂度上升。实操中需要特别注意传输吞吐与 KV 压缩的配合，否则 Prefill 侧省下的时间会全部浪费在传输上。
2.3 注意力实现的代际差异：从 FlashAttention 到 FP8
Prefill 阶段内部的优化，很大程度落到 Attention 实现上。早期推理框架的 Attention 要先把完整的 Q、K、V 矩阵存在显存里，再计算 softmax，显存和带宽消耗极大。后来出现的 FlashAttention 类实现通过分块计算和在线 softmax，把本来 O(n²) 的显存占用降为 O(n)，同时大幅减少 HBM 访存，具体原理简要概括就是：不必等完整矩阵，先后台分块算部分 softmax，再用"重缩放"修正全局结果。
到了 FP8 时代，Prefill 阶段的 GEMM 可以用 8 位浮点累加获得更高吞吐，但 Attention 的 softmax 部分保持较高精度，整个过程中 KV 缓存也还可以保留 FP8 或 BF16。这里我必须提醒：FP8 的精度下降因模型和任务而异，不能一刀切。我在某个代码生成模型上试过全层 FP8，质量问题在短回复上完全看不出来，一跑长尾知识问答就明显掉准确率，后来只对 Attention 部分做 FP8，其他层保持 BF16 才平衡好速度与质量。
3. KV Cache 的显存几何：公式、量化与页式管理
3.1 一条公式算清 KV Cache 占用
进入调优之前，先把 KV Cache 显存占用这条基础公式记牢：
KV Cache 大小 ≈ 2（K 和 V） × 层数 × 注意力头数 × 每头维度 × 序列长度 × 每个元素字节数
假设某 7B 级别模型一共有 28 层、40 个注意力头、每头 128 维，每个元素占 2 字节（BF16），一条 4096 token 的序列大约需要：2 × 28 × 40 × 128 × 4096 × 2 字节 ≈ 2.35 GB。这还只是单条序列。实际服务中要同时处理几十条序列，KV Cache 的增速非常恐怖。
这就是为什么很多人在单卡上跑 7B 模型，只要并发请求一多，立刻出现 OOM，因为参数只占 14GB 上下，可 KV Cache 每秒钟都在滚雪球一样变大。因此性能工程的一个核心思路就是提前给 KV Cache 划定上限，而不是让它无节制增长。
3.2 GQA 为什么能凭空砍掉一截缓存
近几年不少新模型把 MHA（多头注意力）改成了 GQA（分组查询注意力）。不要小看这个结构变动，它直接让 KV 头数降到 Query 头数的几分之一，KV Cache 体积随之一同缩小。
举例来说，假设同一层原本有 32 个 Q 头和 32 个 KV 头，改成 GQA 后 KV 头降到 8 个，KV Cache 直接变成原来的四分之一。在同样的显存预算下，并发批处理大小能提上去，单位时间吞吐自然翻倍。也就是说，在做 KV Cache 调优时，模型结构的选型比后端参数调整来得更根本。
3.3 KV Cache 量化：8bit、4bit 与精度损失的拉锯
显存不够，量化来凑，KV Cache 同样可以量化。业界当前常见的三种档位：BF16（2 字节/元素）、FP8 或 INT8（1 字节/元素）、INT4（半字节/元素）。我的实践经验是：FP8/INT8 对大部分任务几乎无损，INT4 则明显有质量回落，尤其长上下文场景，模型对 KV 精度的敏感度会放大。
如果显存极度紧张，可以只量化 K 或只量化 V，或者量化后又把一部分重要 token 的 KV 保持高精度。这类混合策略需要配合具体模型做验证。另外要注意：量化 KV Cache 虽然省显存，但增加了量化与反量化的计算开销，如果实现不好，TPOT 反而变慢。选型时建议用/usr/bin/time这类工具实测阶段耗时，而不是只看显存数字。
3.4 PagedAttention 与"显存仓库"管理
显存管理的第二步是索引式存储。传统方式是用一块连续显存装完一整条序列的 KV，遇到变长请求时内部碎片极多。PagedAttention 类方案把一个序列的 KV 切成多个固定大小的 page，通过页表把物理上不连续的显存块拼成逻辑上连续的序列。
这块内容对于性能调优的意义在于：它决定了你能在同样显存容量里装多少并发请求。页表开得快、分配策略合理，并发吞吐就能上去。实操时把显存使用率、页碎片率和 KV Cache 命中率同时监控起来，注意这三个数字往往互相牵制，找到一个合适的折中区间。
4. 一次典型调优全程：设备、显存核算与实验矩阵
4.1 设定场景：单机单卡到多机部署的起步
我以一个非常常见的起步配置为例：单机 8 卡，单卡显存 80GB，要服务一个 7B 规模对话模型。量化参数为 BF16，权重约占 14GB。如果为了更高吞吐把 batch 并发调到 64 条序列，每条平均上下文长度 2k，那么 KV Cache 需求的粗略估算如下：
单条 2k 序列的 KV Cache ≈ 2 × 28 层 × 8 个 KV 头（假设 GQA）× 128 维 × 2048 × 2 字节 ≈ 1.17 GB。64 条并发需要大约 75GB，已经逼近单卡 80GB 上限，再加上模型权重和激活值，必然放不下。这时候就必须引入量化 KV、扩大 batch 的显存上限或者说调整并发策略。
4.2 显存预算表：给参数、激活和 KV 各划一条线
把显存管理抽象成一张预算表，是生产环境落地的关键方法。一般建议将显存按如下比例划分：模型权重约 30%——这部分几乎固定；激活值与临时张量约 20%——随上下文长度变化，峰值出现在 Prefill 阶段；KV Cache 约 45%——这部分最灵活，可量化、可淘汰、可压缩；剩余 5% 作为安全余量。
表中每个数字都要根据实测调整，而不是拍脑袋。你可以在框架日志里看到各个模块的实际峰值占用，对照预算表分析哪一块超了、哪一块没用到，调优目标也随之清晰。
4.3 实验矩阵：一次只动一个变量
我在调参时习惯做一个实验矩阵，确保每一轮只改一个变量。比如第一轮测不同 KV Cache 上限（35GB、40GB、45GB）分别对吞吐和 TPOT 的影响；第二轮测量化档位（BF16/INT8/INT4）对质量与速度的双重影响；第三轮测并行配置的影响（是否开 PD 分离、Prefill 实例几台、Decode 实例几台）。表格记录每个配置下的 TTFT、TPOT、吞吐、OOM 次数、质量测试分，然后收敛到综合最优。
一个实际跑出来的例子（非真实项目名）大概是：40GB KV 预算配 INT8 量化，TPOT 从 38ms 降到 27ms，吞吐提升 32%；改成 INT4 后吞吐提升 48%，但长上下文质量分下降 3 个点，最终取舍下来还是守住了 INT8。
4.4 从实验室到线上：加压、回落、再压测
调参跑通后不要直接上线，建议按这样的节奏：先在离线环境用两到三倍的线上峰值请求压测，观察显存溢出次数和延迟分位数；如果能撑住，再把部分生产流量灰度导入；灰度期间对比 TTFT、TPOT 是否劣化，以及有无意外 OOM 导致的请求重算。整个过程重点关注"幸存率"：新增 KV Cache 上限后系统在极限并发下请求成功比例有没有下降。
这套流程看着保守，但能筛掉九成"调参后立刻上线爆显存"的意外。
5. 系统级联动：前缀缓存、推测解码与调度器策略
5.1 前缀缓存让重复请求根本不走 Prefill
线上大量请求通常共享同一段系统提示词或长文档，不同用户只是在后面追加问题。PKM（前缀缓存 / 语义缓存）就是抓住这一特征，把公共前缀的 KV 结果直接复用，这样新请求的 Prefill 部分彻底消除，TTFT 从几百毫秒降到几十毫秒。
效果取决于命中率。如果系统提示词每次都不一样，缓存命中率自然低。实际收效最好的场景是"固定系统前置 + 个性化后续问题"，比如客服机器人、代码补全中的文件前缀。调优时重点关注命中率统计，不要盲信框架默认开启的缓存。另外要注意缓存的容量上限和淘汰策略：KV 缓存长期不淘汰的话，显存会被垃圾数据慢慢撑爆。
5.2 推测解码如何改变 Prefill/Decode 的压力结构
推测解码（Speculative Decoding）用一个小模型先草拟多个 token，再由大模型一次验证，以此把 Decode 阶段的串行步数压缩为更少次数的前向计算。它表面上只影响 Decode，实际上对 KV Cache 和 Prefill 也有很大扰动：草稿模型生成的 KV 是否放入主模型缓存、验错后如何回滚，都会影响显存峰值和调度复杂度。
我的建议是：推测解码要作为整体系统的一部分评估，而不是只看单步延迟收益。实测中它对短回复场景收益最大，长文档生成场景因为草稿模型准确率下滑，收益会被验错概率吃掉。
5.3 调度策略：长短请求如何在队列里和平共处
有些请求 prompt 很短、输出很长，有些则 prompt 很长、输出很短。调度器如果按队列顺序走，短请求很可能会被前面的长输出卡死，于是需要更细的优先级策略。进阶做法是区分"Pre fill 阶段是否必须立即做"：短 prompt 的 Prefill 可以在解码间隙穿插完成，长 prompt 的 Prefill 尽量放在负载低谷期。
这里有一个我在实测中遇到的反直觉结论：把过多资源预留给 Prefill 中的大请求，不一定更优；相反，大请求的 Prefill 切片后穿插进 decode 间隙，系统整体尾延迟反而更稳定。这在很大程度上取决于业务场景，不能一概而论。
5.4 过载保护与回退预案
再稳的调优也会遇到突发流量。集群上的各实例必须有一套过载保护机制：比如当 KV Cache 使用率达到一定阈值时，拒绝新请求或把新请求引导到其他实例；当显存接近上限时，提前对旧请求做抢占或把 KV 缓存落盘。这里要重点测试"抢占后重新计算"的开销是否可接受，因为被抢占请求如果是长上下文，重算代价会非常大。
研究 KV Cache 不够用、请求过多时，部分的替代方案是 CPU offload：把一部分 KV 数据搬到主存，用时再回传。这个方法能救急，但回传速度会成为新瓶颈。我通常只把它定位成最后保险，不作为常规手段。
6. 生产环境里摸爬滚打后最想告诉你的事
6.1 显存碎片和活跃序列的动态平衡
PagedAttention 虽然把物理碎片管理得很好，但也不是没有坑。我发现高并发下的页表分配和释放过于频繁，会导致分配器本身出现"软碎片"——空闲 page 总量充足，却因为分布不连续而无法满足大请求。解决办法就是控制单次分配 page 的大小和数量，并定期做显存整理。此处不要迷信某个框架默认值，要实际跑一段时间看看你的服务是不是属于"快速分配和释放"的类型。
6.2 多卡张量并行与 KV Cache 的重复放大
很多人想当然认为张量并行后 KV Cache 占用减半，但实际上 Attention 头被切分到多张卡，每张卡分别缓存自己负责的那部分头，整体的 KV Cache 总量和单卡配置并不完全同步，反而可能因为重复缓存而出现更多占用。实践中要注意部署时给每张卡留出足够的 KV Cache 余量，并检查多卡之间的负载是否均衡，而不是只看整机显存总和。
6.3 指标采集要以"阶段"为单位，而不是只看整体
线上监控建议把 TTFT 和 TPOT 分开记录，并把 Prefill 阶段与 Decode 阶段的耗时分别统计。只盯"平均生成速度"容易掩盖 Prefill 长尾。这一点在长上下文服务里尤其明显：原本 Prefill 慢的请求如果恰好排在了一批解码请求后面，整体耗时会雪上加霜。加上阶段切分的指标后，你才能一眼看出瓶颈到底在预填充还是解码。
6.4 关于"最大 KV 预算"的常识与反常识
不是每个部署都需要把 KV Cache 预算开到最大。我踩过的坑是：为了压榨硬件，把 KV 预算调到接近显存上限，结果激活值一有波动就 OOM，触发流程里最重的重算。因为 KV 缓存可以量化、可以淘汰，但激活值是立即要用、不能省的。所以宁可给 KV 预留 80%，也别让它突破安全线，系统稳定性优先于峰值吞吐。
这套学习笔记写到这里，本质上体现了"性能工程"四个字的分量：它不是单一参数的事，而是把模型结构、推理框架、显存管理、调度策略串起来一起做的系统工程。练好这套拆解方法，比照着教程抄一个调优参数有用十倍。
