前置知识：第05篇（Self-Attention）/ 第08篇（FlashAttention）引言：推理是比训练更大的挑战训练大模型是很贵，但推理是每天都在发生的。一个 70B 模型做一次推理，需要的算力大约是训练一个 token 的 50 倍。当每天有百万次推理请求时，推理引擎的效率直接影响运营成本。vLLM 是目前最流行的开源推理引擎。它不做模型架构优化，而是从系统层面解决了两个核心问题：KV Cache 显存浪费→ PagedAttentionGPU 利用率低→ Continuous Batching一、Static Batching vs Continuous Batching1.1 Static Batching 的问题传统推理服务的工作方式：请求 A（短） → [████████████] 请求 B（长） → [████████████████████████] 请求 C（中） → [██████████████]