系統(tǒng)實驗表明，模型推理分為計算受限的 Prefill 與內(nèi)存受限的 Decode。

作者丨鄭佳美

編輯丨岑峰

隨著大語言模型逐漸走向真實應(yīng)用，推理階段的性能問題正在成為制約落地的關(guān)鍵因素。

模型規(guī)模不斷增大、上下文持續(xù)拉長，再加上 RAG、MoE 等新用法的引入，使得延遲、吞吐和能耗不再只是“調(diào)一調(diào)參數(shù)”的問題，而是直接影響系統(tǒng)架構(gòu)和算力成本的核心挑戰(zhàn)。

圍繞這些問題，來自中國科學(xué)院計算所的嚴(yán)明玉團隊，聯(lián)合中國電信云計算研究院、浙江實驗室和北京大學(xué)的研究者，在論文《A Systematic Characterization of LLM Inference on GPUs》中，對大語言模型在 GPU 上的推理行為進行了系統(tǒng)研究。

不同于以往側(cè)重單一模型、單一算子或局部優(yōu)化的研究路徑，嚴(yán)明玉團隊從系統(tǒng)和硬件協(xié)同的視角出發(fā)，通過大規(guī)模實驗，對大語言模型在 GPU 上的推理行為進行了全面刻畫，試圖從根本上回答一個長期困擾工程實踐的問題：大模型推理為什么會呈現(xiàn)出現(xiàn)在這樣的性能特征。

這項工作并沒有直接給出如何優(yōu)化的現(xiàn)成答案，而是首先建立了一套統(tǒng)一、可解釋的性能認(rèn)知框架，將 Prefill 與 Decode 的差異上升為系統(tǒng)級的基本規(guī)律，并在不同模型規(guī)模、不同硬件平臺以及 MoE、RAG 等新型推理范式下進行了驗證。

在這一框架下，推理延遲、資源利用率和能耗不再是孤立的指標(biāo)，而是隨著工作負(fù)載和系統(tǒng)配置發(fā)生有規(guī)律的變化。這種從現(xiàn)象出發(fā)、最終回到系統(tǒng)根因的研究方式，使得這項工作更像是在為大模型推理建立一張可理解、可推演的性能全景圖，而不是提供某個場景下的經(jīng)驗結(jié)論。

論文鏈接：https://arxiv.org/pdf/2512.01644v1

01
一次對大模型推理性能的系統(tǒng)性拆解

嚴(yán)明玉團隊的這項工作通過大量有組織的實驗，系統(tǒng)地總結(jié)了大語言模型在推理階段的性能規(guī)律，而不是停留在零散的經(jīng)驗觀察上。研究團隊發(fā)現(xiàn)，LLM 的推理過程在本質(zhì)上可以分成兩個完全不同的階段，而且這種差異并不是靠優(yōu)化就能消除的。

具體來說，第一個階段是 Prefill 階段，主要任務(wù)是一次性處理用戶輸入的 prompt。這個階段可以并行執(zhí)行，核心計算是大規(guī)模矩陣乘法，因此計算量大、算得很滿，GPU 的計算單元利用率很高，整體性能主要受限于算力本身。

第二個階段是 Decode 階段，用來逐個生成輸出 token。由于生成過程是一步一步進行的，每一步都需要訪問已經(jīng)緩存的上下文信息（KV Cache），實際計算量不大，但內(nèi)存訪問非常頻繁，因此性能瓶頸從算力轉(zhuǎn)移到了內(nèi)存帶寬和訪問延遲上。

在此基礎(chǔ)上，論文進一步指出，推理過程中到底是 Prefill 慢還是 Decode 慢，并不是固定的，而是取決于具體的輸入和輸出情況。當(dāng)輸入較短時，雖然每一步 Decode 的計算不多，但需要執(zhí)行很多步，因此 Decode 往往成為主要耗時部分。

而當(dāng)輸入變長時，Prefill 階段需要處理的 token 數(shù)迅速增加，其計算量增長更快，在超過某個長度之后就會反過來成為整體延遲的主要來源。這種從 Decode 主導(dǎo)到 Prefill 主導(dǎo)的轉(zhuǎn)變說明，性能瓶頸更多是由工作負(fù)載決定的，而不是模型本身天生慢在哪。

如果進一步拆到模型內(nèi)部的算子層面，研究團隊發(fā)現(xiàn)瓶頸同樣不是固定的。在常見的上下文長度下，Prefill 階段的主要時間往往花在前饋網(wǎng)絡(luò)（FFN）上，但在上下文特別長的情況下，由于注意力計算的復(fù)雜度增長更快，Attention 會逐漸成為主要瓶頸。

Decode 階段的情況則和模型規(guī)模有關(guān)：對于較小的模型，頻繁訪問 KV Cache 的 Attention 更容易成為瓶頸；而對于大模型，由于前饋網(wǎng)絡(luò)權(quán)重更大，F(xiàn)FN 的內(nèi)存加載成本反而更突出。這說明，單純地說 Attention 是瓶頸或 FFN 是瓶頸都是不準(zhǔn)確的，必須結(jié)合所處階段、上下文長度和模型規(guī)模來判斷。

在性能可預(yù)測性方面，論文發(fā)現(xiàn) Prefill 階段的行為非常規(guī)律。它的執(zhí)行時間幾乎只由真正需要計算的輸入 token 數(shù)量決定，而且二者之間呈現(xiàn)非常穩(wěn)定的線性關(guān)系。這意味著，只要知道輸入長度和緩存命中情況，就可以比較準(zhǔn)確地預(yù)測 Prefill 的延遲，這對系統(tǒng)調(diào)度和資源規(guī)劃非常有用。相比之下，Decode 階段由于是逐步生成，并且受到采樣和串行依賴的影響，性能波動更大，也更難提前預(yù)測。

在能耗分析中，論文給出了一個非常直觀但重要的結(jié)論：整個推理過程消耗的能量，幾乎全部來自 Decode 階段。輸入有多長，對總能耗影響很小，而輸出生成了多少 token，幾乎直接決定了能耗大小。同時，模型參數(shù)越多，總能耗也會隨之增加。這說明，在真實系統(tǒng)中，如果想要降低推理能耗，限制輸出長度往往比優(yōu)化 Prefill 更有效。

在多 GPU 擴展實驗中，研究團隊發(fā)現(xiàn)并行化并不是在所有情況下都有效。Prefill 階段由于計算量大，把計算分?jǐn)偟蕉鄰?GPU 上通常能帶來收益，但 Decode 階段每一步計算都很小，多 GPU 之間的通信和同步反而會成為負(fù)擔(dān)，導(dǎo)致性能提升不明顯甚至變慢。因此，在 Decode 為主的場景下，使用單 GPU 或較輕量的流水并行往往更合適，這也打破了GPU 越多越快的直覺。

最后，論文還分析了新的推理范式。對于 MoE 模型，推理速度主要取決于每次實際參與計算的參數(shù)規(guī)模，而不是模型的總參數(shù)量，這帶來了明顯的性能優(yōu)勢，但同時，在 Decode 階段會額外引入專家選擇和調(diào)度的開銷，使性能表現(xiàn)更加復(fù)雜。

對于RAG 工作流，研究團隊發(fā)現(xiàn)隨著外部知識規(guī)模變大，系統(tǒng)瓶頸會從 GPU 推理轉(zhuǎn)移到 CPU 側(cè)的檢索和內(nèi)存訪問上，形成新的性能限制。盡管推理流程變得更加復(fù)雜，但 Prefill 和 Decode 在性能上的根本差異依然存在，仍然是理解整體行為的關(guān)鍵。

02
面向系統(tǒng)理解的大模型推理實驗框架

為了讓結(jié)論更完整、也更容易理解，這篇論文在實驗設(shè)計上采用了一種由淺入深的分析思路。研究團隊并不是一開始就研究底層硬件細(xì)節(jié)，而是先觀察整體推理性能表現(xiàn)，再逐步深入到 GPU 的執(zhí)行和存儲行為，最后把得到的規(guī)律放回到真實系統(tǒng)和新型推理場景中進行驗證。

在實驗平臺方面，論文同時使用了數(shù)據(jù)中心級的 GPU（A100）和邊緣設(shè)備上的 GPU（Jetson AGX Orin）。這樣做的目的，是檢驗前面總結(jié)出的性能規(guī)律是否只在高端服務(wù)器上成立，還是在算力和內(nèi)存條件更受限的設(shè)備上同樣適用。

模型選擇上，研究團隊覆蓋了多種主流的 dense 模型（從 7B 到 32B），同時還引入了一個具有代表性的 MoE 模型，以觀察不同參數(shù)規(guī)模和不同架構(gòu)設(shè)計對推理性能的影響。為了保證對比公平，所有實驗都在同一套推理框架和相同精度設(shè)置下進行，盡量減少實現(xiàn)細(xì)節(jié)帶來的干擾。

在工作負(fù)載設(shè)計上，研究團隊并沒有簡單地跑幾組固定 benchmark，而是有針對性地設(shè)計了多種輸入和輸出組合。例如，有的任務(wù)輸入短、輸出長，有的輸入長、輸出短，還有真實對話數(shù)據(jù)和可控的合成數(shù)據(jù)。這樣的設(shè)計是為了有意識地制造 Prefill 占主導(dǎo)或 Decode 占主導(dǎo)的不同場景，從而驗證兩階段在不同條件下是否始終表現(xiàn)出不同的性能特征。

在性能分析方法上，論文采用了分層剖析的方式。首先在整體層面上，測量端到端的延遲、吞吐量和能耗，建立對系統(tǒng)行為的直觀認(rèn)識；接著在階段和算子層面，分析 Prefill 和 Decode 各自占用了多少時間，以及不同算子在其中的作用；最后深入到硬件層面，通過 Roofline 模型、warp 停頓分析，以及緩存命中率和內(nèi)存帶寬使用情況，來判斷性能究竟是受限于計算還是受限于內(nèi)存。

在能耗分析中，研究人員通過高頻功率采樣并扣除空閑功耗的方式，盡量保證測量結(jié)果的準(zhǔn)確性。在涉及 RAG 的實驗中，還額外使用了 CPU 側(cè)的性能分析工具，專門分析檢索階段的瓶頸來源。

通過這種從“看現(xiàn)象”到“找原因”的逐步分析過程，論文避免了只憑經(jīng)驗判斷或簡單相關(guān)性分析下結(jié)論的問題，使得每一個宏觀層面的性能現(xiàn)象，都能在底層硬件執(zhí)行機制上找到清晰的解釋。

03
當(dāng)問題被看清，優(yōu)化才有方向

這篇論文的意義不在于提出某一種新的優(yōu)化技巧，而在于建立了一套統(tǒng)一、可解釋的大模型推理性能認(rèn)知框架。它首次將 Prefill 與 Decode 的階段差異提升為系統(tǒng)級基本規(guī)律，并證明這一規(guī)律在不同模型規(guī)模、硬件平臺和新興推理范式下均成立。

從工程角度看，論文糾正了多個長期存在的直覺性誤解，例如Attention 永遠(yuǎn)是瓶頸、多 GPU 一定更快、Prefill 是主要能耗來源等，并給出了明確的反例和機制解釋。這些結(jié)論對實際推理服務(wù)的部署策略、資源配置和成本控制具有直接指導(dǎo)意義。

從系統(tǒng)研究角度看，這篇內(nèi)容為后續(xù)工作提供了清晰的問題分解方式：優(yōu)化 Prefill 和優(yōu)化 Decode 不應(yīng)混為一談，而應(yīng)針對各自的根本瓶頸分別設(shè)計機制。這一思想對調(diào)度器設(shè)計、并行策略選擇以及新硬件特性利用都具有啟發(fā)作用。

從未來發(fā)展看，論文指出了 MoE 和 RAG 等新范式如何重塑瓶頸位置，提示研究者在模型和系統(tǒng)協(xié)同設(shè)計時需要關(guān)注路由開銷、內(nèi)存局部性和 CPU–GPU 協(xié)同，而不僅僅是算力規(guī)模。

總體而言，這是一篇以實驗為基礎(chǔ)、以解釋為核心、以系統(tǒng)認(rèn)知為目標(biāo)的論文，其價值在于回答了“為什么 LLM 推理會這樣表現(xiàn)”，而不僅是“如何讓它更快一點”。

04
工作背后的研究者

本文通訊作者為中國科學(xué)院計算技術(shù)研究所的嚴(yán)明玉教授。他主要從事計算機體系結(jié)構(gòu)相關(guān)研究，研究方向涵蓋圖機器學(xué)習(xí)、設(shè)計空間探索以及復(fù)雜計算系統(tǒng)的性能分析等問題。

參考鏈接：https://mingyuyan-ict.github.io/MingyuYan-ICT/

在學(xué)術(shù)研究方面，嚴(yán)明玉教授已在多個國際頂級會議和期刊上發(fā)表近 20 篇論文，相關(guān)成果發(fā)表于 MICRO、HPCA、DAC、ICCAD、IJCAI、IEEE TC、IEEE TPDS 等重要學(xué)術(shù)平臺，覆蓋體系結(jié)構(gòu)、系統(tǒng)與應(yīng)用交叉等多個研究領(lǐng)域。

除科研工作外，嚴(yán)明玉教授也是 IEEE 和中國計算機學(xué)會（CCF）的高級會員，并多次擔(dān)任 HPCA、ISCA、MICRO、IJCAI、ISPASS 等國際會議的技術(shù)程序委員會委員或?qū)徃迦?，長期參與相關(guān)領(lǐng)域的學(xué)術(shù)評審與社區(qū)建設(shè)。

在學(xué)術(shù)培養(yǎng)與科研經(jīng)歷方面，他于中國科學(xué)院大學(xué)獲得博士學(xué)位，并曾赴美國加州大學(xué)圣塔芭芭拉分校進行聯(lián)合培養(yǎng)。其博士論文曾獲得中國計算機學(xué)會優(yōu)秀博士論文獎。此外，他還入選北京市科技新星計劃、中國科學(xué)院青年創(chuàng)新促進會，并主持或參與中國科學(xué)院青年團隊項目等科研計劃。

總體而言，嚴(yán)明玉教授長期致力于從系統(tǒng)視角理解復(fù)雜計算負(fù)載在硬件平臺上的執(zhí)行行為，強調(diào)通過系統(tǒng)性實驗和硬件行為分析揭示性能瓶頸的形成機理，其研究成果兼具理論深度與工程實踐價值。

未經(jīng)「AI科技評論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時需標(biāo)注來源并插入本公眾號名片。