企业做网站公司有哪些网站开发费用报价表
1. 抢占
显存不够的时候，某些request会被抢占。其KV cache被清除，腾退给其他request，下次调度到它，重新计算KV cache。
报这条消息，说明已被抢占：
WARNING 05-09 00:49:33 scheduler.py:1057 Sequence group 0 is preempted by PreemptionMode.SWAP mode because there is not enough KV cache space. This can affect the end-to-end performance. Increase gpu_memory_utilization or tensor_parallel_size to provide more KV cache memory. total_cumulative_preemption_cnt=1
如果不想被抢占，解决办法：
- 增大gpu_memory_utilization。提高KV cache占用的显存百分比。
- 减少max_num_seqs或max_num_batched_tokens。减少一个batch里的请求、token个数，从而减少KV cache占用。
- 增大tensor_parallel_size。使用多张GPU的TP并行。
可以查看VLLM自带的Prometheus指标，查看抢占的请求数量。或者打开日志disable_log_stats=False。
2. chunked prefill
默认下，prefill优先，prefill和decode不放到相同batch里：
chunked prefill打开后，decode优先，decode的token不够时用prefill token来凑：
好处：
decode延迟减小；GPU使用率增大；
batch大小：
batch越小，则ITL越小（我的实验也是观察到这个现象）。原因：decode阶段加入的prefill tokens少，就能不怎么变慢。
batch越大，则TTFT越小。原因：prefill的请求可以在更少的batch里完成。
总体来说，batch太小的话，会给吞吐量带来灾难。因为计算不够密集。
VLLM推荐的2个paper:
(https://arxiv.org/pdf/2401.08671 or https://arxiv.org/pdf/2308.16369)