网易首页 > 网易号 > 正文 申请入驻

单用户解码快44%,批量64时只剩15%

0
分享至

SGLang 0.5.23 于 2026 年 11 月 2 日发布,包含来自 257 位贡献者的 1007 个 PR。这一版最受关注的内容,是一个需要手动开启的「低延迟模式」:NVIDIA megakernel 插件和 AMD monokernel 插件,把解码过程作为融合的持久化内核来运行。


发布说明给出的数字是:在 GB300 上,DeepSeek-V4.1-Flash 的单用户解码最高快 44%;在 MI350X 上最高快 75%。这两个数字需要换算一下才好理解——44% 的加速意味着单步时间减少了 30.6%,75% 的加速意味着减少了 42.9%。被抹掉的这部分,正是启动间隙和集合通信等待。

它到底替换了什么

两个插件都通过 SGLang 的通用插件入口 sglang.srt.plugins 加载,不是对核心代码的重写。不传 flag 时,SGLang 按原样运行;0.5.23 的 CUDA 镜像里,插件处于「未激活」状态,除非设置 --enable-nvidia-megakernel。

开启后,SGLang 在参数解析阶段、权重加载之前就检查配置。模型 runner 准备好受支持的模型后,构建 megakernel 并替换该模型实例的 forward。替换后的路径只接管被覆盖的步骤,其余步骤仍走模型自己的 forward。对 DeepSeek-V4.1-Flash 来说,更大的 verify 步骤、prefill 和 extend 都走标准路径。

覆盖面是刻意收窄的。NVIDIA 的表格列出 DeepSeek-V4.1-Flash 在 GB300 和 B300 上、张量并行度为 4、投机验证步为 1 到 384 行(每请求 6 行,即 batch 1 到 64)。B300 上的速度只测了单请求。表格其他行覆盖 Qwen3.5、Kimi K3、Kimi K3.1、GLM-5.3 和 GLM-5.2,各有自己的限制。两个 README 都挂着「实验性」横幅,说明内核、支持的配置和开关本身都可能变化。

为什么一个小批次能快这么多

AMD 的 README 把机制说得很直白:monokernel 是一个持久化内核,把解码层的大部分工作——包括注意力、专家混合块和两次张量并行 all-reduce——放进一到两次启动里完成。它要消除的,是「主导小批量解码的启动间隙和集合通信延迟」。

batch 1 时,解码一步每层搬运的数据量很小。GPU 很快算完一个小内核,然后等下一次启动,或者等 all-reduce 完成才能开始下一个算子。NVIDIA 的 README 从另一侧描述了这个修法:内核之间通过 mailbox 和程序化依赖启动传递输出,不再跨越逐个算子的边界。

张量并行度为 4 时,每一层都要付若干次集合通信的代价。每一次都是一个同步点,四块 GPU 一起等最慢的那块。把 all-reduce 融进同一个持久化内核,下一阶段可以在数据到达时立刻开始,而不必等一次独立启动。

44% 在单步时间里是什么概念

加速比很容易读错。每秒 token 数提升 44%,意味着每个 token 只花原来时间的 1/1.44。换算下来,GB300 上约 30.6% 的单步时间被移除,MI350X 上约 42.9%。

也就是说,在最好的单用户场景下,GB300 单步里大约三分之一是间隙与同步开销,MI350X 上大约五分之二。这本身就是个有用的诊断指标:如果你自己的 batch 1 解码 trace 里,内核之间的空闲时间也占类似比例,那这类优化就有戏;如果 trace 显示 GPU 从头忙到尾,你拿不到这样的数字。

批量一大,收益为什么缩水

被移除的开销基本是按步计的,不是按请求计的。而有效工作——专家矩阵乘、对更多 KV 条目的注意力——会随批量增长。同样一份绝对节省,放在更大的步里,占比就小了。

一个刻意简化的示意模型(不是实测):假设 batch 1 时一步耗时 100 个时间单位,其中 30.6 是可移除的间隙,与 44% 的说法对应;假设剩余工作每多一个请求增长 3%。按这个模型,batch 1 增益约 44.1%,batch 2 约 42.8%,batch 4 约 40.5%,batch 8 约 36.4%,batch 16 约 30.4%,batch 32 约 22.9%,batch 64 约 15.3%。

3% 这个增长率是为示意而设的。要点在方向:固定的节省除以增长的分母。真实曲线取决于专家路由、KV 长度,以及标准路径在大批量下本来就把自己的间隙重叠得有多好。README 也说明 B300 上只测了单请求,更大批量依赖内核测试——这与收益最强的位置是一致的。

还有一层:开启投机解码后,verify 步里的「行」是批量乘以草稿 token 数。NVIDIA 表格里每请求 6 行、1 到 384 行,对应 batch 1 到 64。固定的间隙节省因此被摊到每步更多的行上,在给定批量下,相对增益会进一步变软。

该给谁用:延迟层,不是吞吐层

很多集群跑两类流量。交互式流量——等工具循环的 agent、编辑器里的开发者——在意低并发下的每用户 token 间延迟。批量和后台流量在意高并发下每美元能换多少聚合 token 数。

这两个插件瞄准的是第一类。batch 1 的单用户能拿到全部收益;跑在 batch 32 或 64 的自动扩缩吞吐池拿到的更少,而插件的测试覆盖恰恰在那里最薄。把每个插件配到它被测量过的池子里,比到处打开更划算。

同一版本里还有一项默认变更需要分开看:在 SM100 和 SM103 上做 prefill/decode 分离时,DeepSeek-V4.1-Flash 的两个角色现在都解析到 MegaAttention 后端,握手会检查 KV 布局,因此 prefill 和 decode 必须使用同一个注意力后端。发布说明建议两个角色一起升级,或者在两边都传 --dsv4-attn-backend flashmla 以保留 FlashMLA。这是与 megakernel 插件不同的另一套机制,只是同一次升级里一起到来,归因延迟变化时要分开算。

怎么安全地灰度

插件默认不激活、由单个 flag 控制,所以上线简单且可回滚。在受支持的 GB300 配置、张量并行度 4 下:

  • 确认它真的生效了。README 说每个 rank 都会打印 NVIDIA megakernel: active (...)。如果所有 rank 上都没看到这行,你测的是标准路径,任何差异都是噪声。参数解析阶段的检查在权重加载前运行,配置不被接受会快速失败,而不是悄悄放过。
  • 对齐受支持的配置。模型、GPU 代际、张量并行度和批量范围都写在表格里。超出范围,步骤会退回标准路径。
  • 在你自己的并发下测,而不是只测一个点。同样的 prompt,在并发 1、4、16、64 下分别开关 flag 各跑一遍,记录 p50 和 p99 的 token 间延迟以及聚合 token 数。决定池子边界的是曲线,不是 batch 1 那个点。
  • 用足够多的样本比质量。NVIDIA README 报告,GLM-5.2 NVFP4(8 块 B300)上 GSM8K-200 严格匹配得分,开 megakernel 是 0.975,不开是 0.960。200 题里差 3 题,落在采样噪声范围内,应读作「未观察到退化」,而不是「有提升」。用自己的更大评测集和固定随机种子再跑一遍。
  • 让回滚保持简单。去掉 flag 就恢复原路径。在至少跑完一个完整发布周期之前,别把它写进镜像入口,因为 README 警告开关本身可能变化。

和 CUDA graphs 有什么不同

CUDA graphs 已经通过重放录制好的序列,消除了每次启动的 CPU 开销。这两个插件走得更远:它们改变序列内部运行的东西,把算子和通信合并进持久化内核,让数据在不跨逐算子边界的情况下交换。AMD 的 README 还提到,每一步仅由其 CUDA graph key 路由,因此每个 rank 做出相同决定,捕获的 graph 重放的是捕获时做出的决定。插件是坐在 graph 机制内部,而不是替换它。如果你为了调试关掉过 graph,行为会不一样。

几个常见疑问

44% 是生产环境能看到的数字吗?默认不是。那是发布说明里 GB300 配 DeepSeek-V4.1-Flash 单用户解码的上限。你的批量构成、prompt 长度和投机设置都会改变它。用单步时间的视角去估算你有多少间隙可以移除。

任何模型都能用吗?不能。每个插件都列出了覆盖的模型、GPU 和张量并行度,其余走标准路径。NVIDIA 表格覆盖 DeepSeek-V4.1-Flash、Qwen3.5-397B-A17B、Kimi K3 和 K3.1、GLM-5.3 和 GLM-5.2;AMD 表格模型更广,但限于特定的 Instinct 型号。

能加速 prefill 吗?对 DeepSeek-V4.1-Flash,prefill 和 extend 走标准路径。插件针对的是小批量解码和投机验证步。开启的 flag 是 NVIDIA 的 --enable-nvidia-megakernel 和 AMD 的 --enable-amd-monokernel,两者都被标注为实验性。

看不到变化先查什么?先看每个 rank 上有没有 NVIDIA megakernel: active 这行日志,再确认模型、GPU 和张量并行度在支持表格里。

持久化内核打的是一笔真实成本:batch 1 时,解码步里很大一部分是间隙和集合通信,而不是数学计算。SGLang 0.5.23 把这个思路打包成一个可回滚、由 flag 控制的插件。把头条加速比换算成被移除的单步时间,预期收益随批量增长而缩水,把它放在用户能感知 token 间延迟的池子上,剩下的交给自己的并发曲线去判断。

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
特朗普表态:NVIDIA Blackwell芯片可对华销售 但有个条件

特朗普表态:NVIDIA Blackwell芯片可对华销售 但有个条件

墨染时光
2026-11-19 18:53:56
特朗普高度评价中俄美元首会晤:满分10分,我打12分!其乘坐空军一号连续飞行超14小时回到美国,返美途中发文:这是一次伟大且意义深远的访问

特朗普高度评价中俄美元首会晤:满分10分,我打12分!其乘坐空军一号连续飞行超14小时回到美国,返美途中发文:这是一次伟大且意义深远的访问

每日经济新闻
2026-11-20 16:58:38
绝平3分三不沾+砸球泄愤!主场球迷狂嘘三球 末节6中1还教训戈贝尔

绝平3分三不沾+砸球泄愤!主场球迷狂嘘三球 末节6中1还教训戈贝尔

颜小白的篮球梦
2026-11-20 15:20:52
10月油车销量暴跌45%纯电动车下滑4%,车市的腥风血雨才刚开始?

10月油车销量暴跌45%纯电动车下滑4%,车市的腥风血雨才刚开始?

华庭讲美食
2026-11-20 08:43:24
严子怡获田径传奇巨星盛赞!博尔特:标枪项目的天才应该得到重视

严子怡获田径传奇巨星盛赞!博尔特:标枪项目的天才应该得到重视

杨华评论
2026-11-20 20:58:44
医保将要升级了!2027年起,看病买药、住院,或迎来这些新变化

医保将要升级了!2027年起,看病买药、住院,或迎来这些新变化

混沌录
2026-11-20 22:45:05
炸裂!邝港杰还原蔡天凤被杀现场:车上一直骂前夫垃圾,邝港智崩溃大哭

炸裂!邝港杰还原蔡天凤被杀现场:车上一直骂前夫垃圾,邝港智崩溃大哭

一盅情怀
2026-11-12 13:10:47
36岁奥斯卡影后当众掀衣秀假体:我是完整C杯

36岁奥斯卡影后当众掀衣秀假体:我是完整C杯

时光慢旅人
2026-11-20 11:03:53
难怪普京有底气报复乌克兰,俄方交付一批苏-57,专打基辅七寸

难怪普京有底气报复乌克兰,俄方交付一批苏-57,专打基辅七寸

半窗疏影
2026-11-20 22:25:55
美军突袭惹出大祸,伊朗正规军开打,凌晨双线交火,2国被波及

美军突袭惹出大祸,伊朗正规军开打,凌晨双线交火,2国被波及

贾妈的幸福生活
2026-11-19 16:59:50
俄罗斯专家直言不讳:倘若中国下定决心对日本动手,那就只剩两种选择——要么干脆不出手,要么出手就一击致命!

俄罗斯专家直言不讳:倘若中国下定决心对日本动手,那就只剩两种选择——要么干脆不出手,要么出手就一击致命!

人生录
2026-10-15 06:06:09
随着王刚吃红点套餐+10人北京国安0-2出局,足协杯决赛2席诞生

随着王刚吃红点套餐+10人北京国安0-2出局,足协杯决赛2席诞生

侧身凌空斩
2026-11-20 21:30:51
骗了国人几十年的6个生活常识!90%的人全信了,看完彻底颠覆认知

骗了国人几十年的6个生活常识!90%的人全信了,看完彻底颠覆认知

小蜜情感说
2026-10-31 11:34:45
中文主场绝不能丢!人民日报定调:在中国,绝不允许英文取代中文

中文主场绝不能丢!人民日报定调:在中国,绝不允许英文取代中文

寻墨阁
2026-11-06 22:54:32
哈佛研究:让孩子疯狂长脑的3项运动,越练越聪明

哈佛研究:让孩子疯狂长脑的3项运动,越练越聪明

窈窕妈妈
2026-11-20 21:34:11
孔蒂揭秘离开国米原因,张康阳曾要求卖掉几乎所有球员

孔蒂揭秘离开国米原因,张康阳曾要求卖掉几乎所有球员

懂球帝
2026-11-19 21:42:55
天下足球为何给C罗专题却没给梅西?

天下足球为何给C罗专题却没给梅西?

带你领略快乐真谛
2026-11-20 23:57:30
社评:多国领导人“感谢中国”,不是一句客套话

社评:多国领导人“感谢中国”,不是一句客套话

环球网资讯
2026-11-20 16:43:17
不少商品价格跌回10年前,大家的日子却越来越紧,钱到底去哪了?

不少商品价格跌回10年前,大家的日子却越来越紧,钱到底去哪了?

帝都观日记
2026-11-16 14:05:09
曝3员大将加盟大连英博!球迷:防不住就买过来,就是颜值差点

曝3员大将加盟大连英博!球迷:防不住就买过来,就是颜值差点

汪星人哟
2026-11-19 19:44:51
2026-11-21 00:44:49
摸鱼算法
摸鱼算法
致力于用最前沿的AI技术,换取更多发呆时间的三十岁青年。
258文章数 79关注度
往期回顾 全部

科技要闻

老黄想回来?英伟达董事会:没门

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

体育要闻

伪强队?拥4亿豪阵欧国联6连败+世界杯出局

娱乐要闻

陈晓楠对话厉娜和许飞引全网热议

财经要闻

10万人逼宫英伟达,黄仁勋要复职了?

汽车要闻

全新红旗H9最有意思的地方,是它开始有自己的豪华逻辑了

态度原创

艺术
教育
时尚
手机
军事航空

艺术要闻

投资55亿!深圳歌剧院施工现场更新,主音乐厅马蹄形已现!

教育要闻

济南市历下区燕山小学教育集团将出席2026第四届课博会,解码“做中学”视域下小学科学教育生态构建

秋天衣服别总穿纯色,试试这几件条纹单品,简单时尚又减龄

手机要闻

2026年最后一款超模旗舰!小米18标准版屏幕、性能、影像全面领跑

军事要闻

美军在中东再成三航母之势

无障碍浏览 进入关怀版