这是《vLLM 深入浅出》系列的第一篇，用动画带你直观了解大语言模型推理的秘密，并解锁其中的三个核心挑战。
大语言模型的推理过程
假设输入的 prompt 是 "The future of AI is"，那么需要经历四个模块：Tokenizer、Model、Sampler、DeTokenizer。
动画流程图如下：
Tokenizer:
把人类的文本语言变成模型自己的语言： Token，就是一串数字，是文本切分为多个单词后，每个单词对应的编号。Tokenizer 里有模型的词表，代表了模型认识哪些文本。
Model:
模型就像个预言家，根据你输入的内容，预测下一个词会是什么，这个预测结果叫做 logits。它代表了模型预测的当前下一个词在词表里的概率，模型的第一次前向推理称之为 prefill（装填）阶段，而后续的前向推理称之为decode（解码）阶段。
Sampler:
Sampler 就像从词表中抓阄，参考 logits 里指示的概率来选定下一个词。比如上述动图例子里，通过模型的四次前向推理，我们依次输出了 "promising"，"and"，"challenging"，"EOS" 四个字符对应的 token id。当遇到 EOS(End of Sequence)，说明预测到了句子的结束符号，模型推理结束。
DeTokenizer:
它是 Tokenizer 的反向过程，把 token 转换为文本。
动画让你一目了然，背后其实有三个核心问题。
显存瓶颈问题：
就像衣柜里虽然有很多空位，但因为空间零散，没法放下一件冬天的大衣一样。模型推理过程中需要频繁在 GPU 显存里申请和释放 Tensor，因此很容易出现类似问题导致的 OOM。vLLM 里创新地提出了 Paged Attention 技术，利用类似操作系统里的虚拟内存技术来优化显存碎片问题，几十倍提升系统吞吐。
计算瓶颈问题：
我们可以从三个层面来看推理过程中的挑战，每个层面都有不同的难题需要解决。
模型内部算子： 在单次前向计算中，优化模型的矩阵运算是关键，尤其是 attention 机制。为了提速，vLLM 引入了多种计算方式，比如 flash attention、flash infer，还有 xformers 库，最近甚至考虑用 torch.compile 进行图优化。这些优化手段听上去复杂，其实就是在尽量让每次计算“少花时间，多干活”。
单条请求的多次推理： 每当生成一个新 token，我们都要重新计算下一步。在像 Llama 这样的 decoder 架构中，这意味着会重复很多不必要的 self attention 计算。为了避免计算浪费，vLLM 采用了 KV Cache 技术，用额外的空间来换取更快的推理速度。
多条请求推理： 对于多条请求，很多文本前缀是一样的，比如统一的 system prompt。vLLM 里使用了 Prefix Cache 技术，把 KV Cache 的优势扩展到不同的请求中，节省大量重复计算的时间。
调度问题：
调度问题就像一场策略游戏，你要在有限的资源里，高效分配任务，尽可能多地完成，同时避免用户感受到卡顿。vLLM 里使用了 Anyscale 提出的 Continuous Batch 技术，它就像个高效的时间管理大师，帮助模型快速应对各种请求，指导资源分配策略。
这只是个开始，接下来，我们将揭开更多 vLLM 的秘密，带你深入理解每个细节。
