LLM 推理加速实战：vLLM 与 TensorRT-LLM 深度对比前言：随着大语言模型在生产环境中的广泛应用，推理性能成为关键瓶颈。一个 70B 参数的模型，单次推理可能需要数秒甚至数十秒。本文将深入剖析两大主流推理加速框架——vLLM 和 TensorRT-LLM，从原理到实践，帮助你选择最适合的方案。一、LLM 推理性能瓶颈分析1.1 推理过程拆解LLM 推理分为两个阶段：┌─────────────────────────────────────────────────────────────────┐ │ Prefill 阶段（预填充） │ │ • 处理整个输入序列 │ │ • 生成 KV Cache │ │ • 计算密集，可并行 │ │ • 延迟与输入长度成正比 │ └─────────────────────────────────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────────────────────┐ │ Decode 阶段（解码） │ │ • 逐个生成 token │ │ • 每步依赖前一步的 KV Cache │ │ • 内存带宽受限，难以并行 │ │ • 延迟与输出长度成正比 │ └─────────────────────────────────────────────────────────────────┘1.2 核心瓶颈瓶颈类型表现影响因素内存带宽Decode 阶段缓慢模型参数量、KV Cache 大小显存容量无法加载大模型模型参数、批次大小计算能力Prefill 阶段缓慢GPU 算力、序列长度调度开销批处理效率低请求调度策略1.3 性能指标# 关键性能指标METRICS={"TTFT":"Time to First Token（首 token 延迟）","TPOT":"Time Per Output Token（每 token 延迟）","Throughput":"Tokens/second（吞吐量）","Latency":"端到端延迟","GPU Utilization":"GPU 利用率","Memory Efficiency":"显存利用率",}二、vLLM：PagedAttention 创新2.1 核心创新：PagedAttentionvLLM 的核心创新是PagedAttention，解决了 KV Cache 的内存管理问题：传统方案的问题：KV Cache 预分配连续内存块实际序列长度不确定，造成大量碎片内存利用率低（通常 50%）PagedAttention 方案：将 KV Cache 分割为固定大小的"页"（block）按需分配，类似操作系统的虚拟内存内存利用率可达 95%传统预分配： ┌────────────────────────────────────────────────┐ │ 序列1: [████████████░░░░░░░░░░] 利用率 50% │ │ 序列2: [████████████████████░░░] 利用率 75% │ │ 序列3: [████░░░░░░░░░░░░░░░░░░] 利用率 25% │ └────────────────────────────────────────────────┘ 总利用率: ~50%，大量内存碎片 PagedAttention： ┌────────────────────────────────────────────────┐ │ Block Pool: [█][█][█][█][█][█][█][█][█][█] │ │ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ │ │ 序列1: █──█──█──█ │ │ 序列2: █──█──█──█──█──█ │ │ 序列3: █──█ │ └────────────────────────────────────────────────┘ 总利用率: 95%，无内存碎片2.2 连续批处理（Continuous Batching）vLLM 实现了连续批处理，动态管理批次：# 传统批处理：等待所有序列完成Batch1:[Seq1 ████████,Seq2 ████████████,Seq3 ██████]等待最长的 Seq2 完成，其他序列空转# 连续批处理：动态加入/移除时刻 T1:[Seq1 ██,Seq2 ███,Seq3 █]时刻 T2:[Seq1 ████,Seq2 █████,Seq3 ██]# Seq3 完成，移除时刻 T3:[Seq1 ██████,Seq2 ███████,Seq4 █]# 新 Seq4 加入2.3 vLLM 架构┌─────────────────────────────────────────────────────────────────┐ │ API Layer │ │ • OpenAI-compatible API │ │ • Async streaming │ └─────────────────────────────────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────────────────────┐ │ Scheduler Layer │ │ • 请求队列管理 │ │ • 优先级调度 │ │ • 抢占与恢复 │ └─────────────────────────────────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────────────────────┐ │ Block Manager │ │ • PagedAttention 内存管理 │ │ • Block 分配与回收 │ │ • Copy-on-write 优化 │ └─────────────────────────────────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────────────────────┐ │ Model Executor │ │ • CUDA Kernel 优化 │ │ • PagedAttention Kernel │ │ • 多 GPU 并行 │ └─────────────────────────────────────────────────────────────────┘2.4 快速上手fromvllmimportLLM,SamplingParams# 初始化模型llm=LLM(model="meta-llama/Llama-2-70b-hf",tensor_parallel_size=4,# 4 GPU 并行gpu_memory_utilization=0.9,max_model_len=4096)# 批量推理prompts=["解释量子计算的基本原理","写一首关于春天的诗","如何优化 Pyth