FlashInfer - 介绍 LLM服务加速库 地基的一块石头

FlashInfer - 介绍 LLM服务加速库 地基的一块石头

flyfish

大型语言模型服务中的注意力机制

大型语言模型服务（LLM Serving）迅速成为重要的工作负载。Transformer中的算子效率——尤其是矩阵乘法（GEMM）、自注意力（Self-Attention）、矩阵向量乘法（GEMV）和逐元素计算，对LLM服务的整体性能至关重要。尽管针对GEMM和GEMV的优化已广泛开展，但在LLM服务场景中，针对自注意力的性能研究仍较为缺乏。将自注意力拆解为三个阶段：预填充（prefill）、解码（decode）和追加（append），分析这三个阶段在单请求和批处理场景下的性能瓶颈，并提出应对方案。这些思路已整合到FlashInfer中——一个基于Apache 2.0许可证开源的LLM服务加速库。

FlashInfer概述

FlashInfer由华盛顿大学、卡内基梅隆大学和OctoAI的研究人员自2023年夏季起开发，提供PyTorch API用于快速原型设计，以及无依赖的纯头文件C++ API以便集成到LLM服务系统。相较现有库，它具备以下独特优势：

1. 全场景注意力核：实现覆盖LLM服务所有常见场景的高性能注意力核，包括单请求和批处理版本的预填充、解码、追加核，支持多种键值缓存（KV-Cache）格式（填充张量、不规则张量、页表）。
2. 优化的共享前缀批解码：通过级联技术提升共享前缀批解码性能，在长提示（32768 tokens）和大批次（256）场景下，相比基线vLLM的PageAttention实现最高可达31倍加速（详见另一篇博客）。
3. 压缩/量化KV-Cache加速：针对分组查询注意力（Grouped-Query Attention）、融合RoPE注意力（Fused-RoPE Attention）和量化注意力进行优化，在A100和H100上，Grouped-Query Attention相比vLLM实现最高2-3倍加速。

FlashInfer已被MLC-LLM（CUDA后端）、Punica和sglang等LLM服务系统采用。

MLC-LLM（CUDA 后端）、Punica 和 sglang 的介绍：

1. MLC-LLM（CUDA 后端）

MLC-LLM 是一个 跨平台高性能 LLM 推理框架，核心目标是通过编译优化技术，让大语言模型（如 LLaMA、Mistral、Qwen 等）能够在 多种硬件平台（包括 CUDA GPU、ARM 芯片、Web 浏览器等）上高效运行。其 CUDA 后端是针对 NVIDIA GPU 的深度优化版本，具备以下特点：

编译优化：基于 Apache TVM 编译栈，将模型计算图转换为高度优化的 CUDA 内核，显著提升推理速度。
跨平台支持：除 CUDA 外，还支持 WebGPU（通过 WebLLM）、iPhone 等本地环境，实现“一次编译，多端运行”。
低延迟与高吞吐量：针对在线服务场景优化，支持动态批处理和显存管理，适合实时对话、API 推理等高并发需求。
模型兼容性：原生支持 Hugging Face 模型格式，兼容主流量化技术（如 GPTQ、AWQ），并在 2025 年新增对 Qwen3 等模型的支持。
企业级部署：如金融交易、智能客服等需低延迟和高吞吐的场景。
边缘设备：在消费级 GPU（如 RTX 3060）或 ARM 芯片上实现轻量化推理。
多模态任务：与视觉模型结合，支持图像-文本联合生成（如 LLaMA-Vision）。
已被集成到 sglang 等框架中，用于加速复杂 LLM 程序的执行。
提供 OpenAI 兼容 API，便于快速迁移现有应用。

2. Punica

Punica 是一个 开源的 LLM 多模型服务框架，专为 LoRA 微调模型设计，旨在简化多模型部署和调用流程。其核心目标是为多个经过 LoRA 技术微调的模型提供 统一的 API 接口，降低企业级应用的开发成本。

多模型管理：支持同时加载和服务多个 LoRA 微调模型，动态切换推理配置。
性能优化：通过显存复用和计算图优化，提升多模型并行推理的效率，尤其适用于需频繁切换模型的场景（如 A/B 测试）。
低代码集成：提供 Python API 和 RESTful 接口，开发者可快速将多个微调模型整合到现有系统中。
兼容性：支持主流 LoRA 工具（如 Hugging Face PEFT），并与 vLLM、MLC-LLM 等框架协同工作。

垂直领域定制：在金融、医疗等领域，同时部署多个针对不同任务的 LoRA 模型（如情感分析、实体识别）。
模型迭代管理：通过 Punica 统一管理模型版本，无缝切换新旧版本，减少运维复杂度。
轻量级部署：适用于中小型企业，无需复杂分布式架构即可实现多模型服务。

目前主要聚焦于 LoRA 模型，对其他微调技术（如 IA³、QLoRA）的支持有限。
高并发场景下的吞吐量优化仍依赖底层框架（如 vLLM）的支持。

3. sglang

sglang 是一个 结构化语言模型程序执行框架，专为复杂 LLM 任务设计，通过 前端 DSL 和后端优化的协同设计，显著提升多轮对话、逻辑推理、多模态交互等场景的效率。

前端 DSL：嵌入 Python 的领域特定语言，提供 gen（生成）、select（选择）、fork（并行）等原语，简化多调用工作流的编程复杂度。例如，可直接在代码中定义 JSON 约束、多分支逻辑，避免手动处理字符串和 API 调用。
后端运行时优化：
RadixAttention：通过基数树结构自动复用 KV 缓存，减少冗余计算。例如，在多轮对话中，共享前缀的 KV 缓存可被自动识别并复用，吞吐量最高提升 6.4 倍。
压缩有限状态机：加速结构化输出解码（如 JSON），一次解码多个 token，降低延迟。
多模态支持：原生集成视觉模型（如 BLIP-2），支持图像-文本联合生成。
高性能推理：在 NVIDIA A100/H100 上，相比 vLLM 实现 2-5 倍吞吐量提升，尤其适合高并发结构化查询（如金融数据解析、医疗报告生成）。

复杂任务流程：代理控制、思维链推理、检索增强生成（RAG）等需多步骤交互的场景。
结构化输出需求：如 JSON 生成、表格提取，通过约束解码保证输出格式合规。
多模态交互：同时处理图像和文本数据，适用于工业质检、智能教育等领域。
与 FlashInfer 深度集成，优化量化 KV 缓存和 RoPE 融合的推理性能。
兼容 OpenAI API，支持无缝迁移现有应用。

对比

框架	核心定位	技术亮点	典型场景
MLC-LLM	跨平台推理引擎	编译优化、多硬件支持、低延迟	企业级部署、边缘设备、多模态
Punica	多模型服务框架（LoRA 专用）	统一 API、显存复用、低代码集成	垂直领域定制、模型迭代管理
sglang	结构化 LLM 程序执行框架	前端 DSL、RadixAttention、多模态支持	复杂任务流程、高并发结构化查询

LLM服务中的注意力阶段

LLM服务包含三个通用阶段：

1. 预填充（Prefill）：注意力在KV-Cache与所有查询之间计算，填充完整的注意力图（受因果掩码约束）。
2. 解码（Decode）：模型逐token生成，仅在KV-Cache与单个查询间计算注意力，每次填充注意力图的一行。
3. 追加（Append）：在KV-Cache与新追加的token查询间计算注意力，形成梯形区域的注意力图。该阶段在推测解码中尤为重要——草稿模型生成候选token序列后，大模型通过追加注意力计算决定是否接受，同时将候选token添加到KV-Cache。

影响注意力计算效率的关键因素是查询长度（$l_q$），它决定了操作是计算密集型还是IO密集型。注意力的操作强度（每字节内存流量的操作数）为$O\left(\frac{1}{1/l_q+1/l_{kv}}\right)$，其中$l_{kv}$为KV-Cache长度：

• 解码阶段：$l_q=1$，操作强度接近$O(1)$，完全受限于GPU内存带宽（IO密集型）。
• 预填充/追加阶段：操作强度约为$O(l_q)$，当$l_q$较大时为计算密集型，较小时为IO密集型。
  

(图1：注意力计算示意图。解码注意力每次填充一行，预填充填充完整注意力图，追加填充梯形区域。)

图2：注意力算子的屋顶线模型（数据来自A100 PCIe 80GB）。解码注意力受限于峰值带宽（IO瓶颈），预填充受限于峰值计算性能（计算瓶颈），追加注意力在短查询时为IO密集型，长查询时为计算密集型。)

单请求与批处理服务

LLM服务主要有两种模式：

• 批处理：将多个用户请求合并并行处理以提升吞吐量，但注意力核的操作强度与批大小无关——批解码注意力的操作强度仍为$O(1)$，仍受限于IO。
• 单请求：直接处理单个用户请求，需针对低操作强度场景（如解码阶段）优化内存访问效率。

FlashInfer的核心优化

FlashInfer在以下方面实现创新，支持多阶段、多KV-Cache格式的高效注意力计算：

1. 全场景注意力核支持

• 实现单请求/批处理版本的FlashAttention，覆盖预填充、解码、追加三个阶段，支持不规则张量、页表等KV-Cache格式。
• 针对页表KV-Cache实现预填充/追加核（现有库未支持），适用于推测解码等复杂场景。

2. 压缩/量化KV-Cache优化

• 分组查询注意力（GQA）：通过减少键值头数降低内存流量，操作强度随查询头数与键值头数的比值提升。FlashInfer利用预填充核（张量核心）优化GQA的解码阶段，在A100/H100上相比vLLM实现2-3倍加速。
• 融合RoPE注意力：针对需动态修剪KV-Cache的场景（如StreamingLLM），将RoPE位置编码融合到注意力核中，直接在计算时动态应用，避免修剪后旧编码失效的问题，开销可忽略。
• 量化注意力：支持4位/8位低精度核，压缩比接近线性加速（4位约4倍，8位约2倍），平衡精度与效率。

3. 页表KV-Cache优化

针对LightLLM、sglang等系统采用的单页大小页表结构，FlashInfer通过在GPU共享内存预取页索引，消除页大小对核性能的影响，提升复杂场景下的缓存管理效率。

底层优化基石

1. 技术互补：分层协作的技术栈

FlashInfer：底层优化基石

• 定位：提供高性能的 GPU 注意力内核（如 FlashAttention、PageAttention、量化注意力等），专注于自注意力计算的底层优化。
• 角色：作为基础库被 vLLM 和 sglang 集成，为两者提供核心计算能力。例如：
  vLLM 的 PageAttention 内核部分依赖 FlashInfer 的优化技术。
  sglang 直接复用 FlashInfer 的 CUDA 内核，结合自身 RadixAttention 技术实现 KV 缓存高效重用。
  针对量化、压缩 KV 缓存（如 Grouped-Query Attention、Fused-RoPE）的优化，显著提升推理效率，尤其在 A100/H100 等 GPU 上实现 2-3 倍加速。

vLLM：高性能批处理引擎

• 定位：专注于高吞吐量的批处理推理，通过 PagedAttention 技术优化内存管理，适用于单轮生成场景（如 API 服务）。
• 与 FlashInfer 的关系：
  • 技术依赖：部分优化（如 GQA）可能采用 FlashInfer 的内核，但 vLLM 仍以自主开发的 PageAttention 为核心。
  • 竞争与互补：在通用批处理场景中，vLLM 的性能与 FlashInfer 优化后的 sglang 接近，但在复杂任务（如多轮对话）中，sglang 更具优势。

sglang：复杂任务执行框架

• 定位：通过前端 DSL 和后端优化（如 RadixAttention、压缩有限状态机），支持多轮对话、结构化输出（如 JSON）、多模态交互等复杂任务。
• 与 FlashInfer 的关系：
  • 深度集成：直接调用 FlashInfer 的注意力内核，结合自身调度器实现更高吞吐量。
  • 场景扩展：利用 FlashInfer 的量化和压缩优化，支持更高效的 KV 缓存管理，尤其在推测解码等场景中表现突出。
• 与 vLLM 的关系：
  • 技术继承：sglang 团队部分成员来自 vLLM 原班人马，继承了 vLLM 的部分设计思想（如动态批处理），但更专注于复杂任务的优化。
  • 场景分工：vLLM 适合高吞吐单轮推理，sglang 擅长多轮对话和结构化输出，两者在不同场景下形成互补。

底层优化关键方向

在系统、框架或软件栈中，为上层功能提供核心性能支撑的基础优化技术或组件。这些底层技术是整个架构的“根基”，其设计和实现直接决定了上层应用的效率、稳定性和可扩展性。
这些底层技术看似不直接面向用户，但却是上层框架实现高性能的前提：
无底层优化，则上层功能无法高效落地*：例如，若没有高效的Decode核函数，即使上层支持千万级Token处理，单Token生成延迟也会极高；
跨框架通用性*：底层优化（如内存管理、硬件适配）可被多个上层框架复用。
例如FlashInfer中的“核心组件*：针对三种注意力阶段的专用核函数、KV-Cache格式无关的优化、量化/分组注意力的高效实现；为上层LLM Serving系统提供“高性能引擎”，使其能在复杂场景（如推测解码、动态Token处理）下保持低延迟和高吞吐量。

底层优化主要指以下关键方向

1. 核心计算原语的优化

• 注意力机制（Self-Attention）的高效实现：如将注意力分解为Prefill、Decode、Append三个阶段，针对每个阶段的计算特性（计算密集型 vs. IO密集型）设计专用核函数（Kernel）。例如：
  • Decode阶段（单Query）因计算量小，优化重点是减少内存访问开销（IO-bound）；
  • Prefill阶段（批量Query）则利用GPU张量核心（Tensor Core）加速矩阵运算（计算密集型）。
• 基础线性代数操作（GEMM/GEMV）的优化：这些操作是Transformer的核心，底层优化（如融合计算、数据布局调整）直接影响整体吞吐量。

2. 内存与数据管理优化

• KV-Cache格式适配：支持多种KV-Cache格式（Padded Tensor、Ragged Tensor、Page Table），针对不同场景（如稀疏解码、动态Token处理）优化内存访问模式，减少碎片和带宽浪费。
• 量化与压缩技术：如4-bit/8-bit量化KV-Cache，在降低内存占用的同时保持计算效率，是底层优化的关键手段（如FlashInfer的量化注意力核函数）。

3. 硬件特性适配

• GPU专用优化：针对A100/H100等GPU的架构特性（如低非张量核心性能、高带宽内存）设计算法，例如：
  • 利用张量核心加速Grouped-Query Attention（GQA），避免传统实现的计算瓶颈；
  • 预取页索引到共享内存，优化PageAttention的访存效率。

4. 基础架构与算法创新

• 融合技术：如将RoPE位置编码融合到注意力核函数中（Fused-RoPE），避免中间数据读写开销；
• 批处理策略：优化共享前缀批解码（Cascading Batch Decoding），提升长序列场景下的并行效率。