隨著大模型技術的飛速發展和企業智能化轉型需求的不斷攀升，大模型落地應用關注焦點正從訓練環節轉向推理環節。在此過程中，行業需求已從構建功能全面、用戶友好且靈活的推理平臺，逐步深化到解決實際落地中由“效果-性能-成本”構成的不可能三角難題[1]。其中，效果要求體現在模型服務的準確性與場景覆蓋的全面性，性能要求體現在響應時延、系統吞吐、服務穩定性，成本要求體現在算力成本、適配成本等綜合開銷。推理優化技術作為破解不可能三角難題的核心抓手，其重要價值正在大模型規�；瘧弥杏l凸顯。
挑戰——平衡算力與成本、適配多樣化場景
大模型產業化落地面臨成本控制與場景適配雙重挑戰。一方面，高質量算力需求與成本約束的博弈持續深化。大模型沿著Scaling Law路徑不斷發展，模型參數持續增加[2]，高質量大模型服務離不開高顯存、高帶寬、高性能的算力支持。然而單純依賴硬件性能、硬件堆疊，不僅加劇產業落地成本壓力，更難以形成可持續的商業閉環。如何在有限算力條件下進一步提升性能并降低成本，仍是長久議題。另一方面，激增的推理需求促使了對多樣場景下差異化性能需求的關注。智能客服、對話系統等場景需即時反饋，對時延要求嚴格；視頻生成、訓練數據集生成等場景需批量輸出，對吞吐率有較高需求；RAG、Agent等服務形式的發展，對長上下文處理能力提出更高要求。如何在差異場景下實現針對性優化、提升服務質量，也是當前大模型落地的重點話題。推理優化不僅關注性能提升與成本控制，還關注結合場景特點的優化改進，以更好地服務于實際業務需求。近日，英偉達CEO黃仁勛、AMD CEO蘇姿豐均強調了推理優化的重要性，在推理需求激增、推理模型（Reasoning Models）快速占領市場的當下，該技術的成熟度將成為重塑行業競爭格局的關鍵要素。
關鍵技術——推理優化圍繞模型架構與計算架構的技術迭出
（一）模型架構層面：基于模型壓縮、MoE結構等技術，優化模型自身推理性能
在大模型推理過程中，模型參數、KV緩存（KVCache）及運行過程數據會大量消耗顯存資源，其中模型參數和KVCache為主要占比。當前針對推理階段的模型優化，主要圍繞模型結構設計與KVCache優化展開，包括服務運行前的參數壓縮、網絡結構精簡等，以及服務運行時的緩存策略，以實現顯存占用、推理效率、推理精度的平衡。例如，輕量化技術如剪枝、量化，通過去除冗余結構或采用低比特表示來壓縮模型大小，可顯著降低對存儲和計算資源的需求，當前可基本實現無損壓縮。多頭潛在注意力機制（Multi-Head Latent Attention，MLA）通過將鍵值向量壓縮至低秩空間，將推理時對KVCache的顯存需求降到傳統機制的4%～13%[3]，具備更好的長上下文處理和快速響應能力。稀疏化MoE模型架構通過專家網絡和門控機制，可動態選擇激活的專家，減少不必要的計算，顯著降低計算成本。如DeepSeek-V3模型在推理過程中僅需激活5.5%參數（37B/671B）即可達到SOTA效果[4]。
（二）計算架構層面：通過分布式架構設計、調度策略優化，大幅提升推理系統性能上限
架構方面，預填充-解碼（Prefill-Decode, PD）分離式推理架構已成為業界主流優化方案。大模型推理一般由預填充（Prefill）和解碼（Decode）兩階段構成，其中預填充階段是計算密集型（compute-bound）對算力需求高，容易迅速使GPU達到飽和；解碼階段是存儲密集型（memory-bound）對顯存需求高，在大批量（batch size）請求下才可充分利用計算資源，同時受到帶寬限制[5]。傳統方式通常直接將推理服務部署到集群中，使得PD兩階段在同一節點上執行，引發兩階段資源爭奪、并行策略互相掣肘難以優化[5][6]，進一步導致資源利用率低、服務性能差、系統構建成本高等問題[7]。PD分離將預填充與解碼階段分開部署，不同階段依據各自特性選用最優硬件資源，可成倍優化整體推理系統性能與成本。調度方面，通過精細化、智能化資源調度和任務調度，可幫助提升推理系統在多樣化服務場景的性能上限。分布式調度通過實時任務監控、負載動態處理、彈性擴縮容等技術，實現負載均衡[8]，有效應對低時延、高并發、流量波動、高頻請求、長文本處理等多樣化業務場景，確保系統在不同應用環境下能夠保持穩定高效運行。
產業落地——推理系統呈現單點加速與全局協同優化并行趨勢
（一）單點優化：聚焦模型特點與系統的銜接，持續完善推理引擎的功能與性能
一是通用推理引擎呈現從多點爆發到逐漸收斂趨勢。從前期HuggingFace TGI、DeepSpeed-FastGen、TensorRT-LLM等，逐漸收斂到推理優化特性豐富、功能更新迅速、二次開發支持性好、多硬件支持、推理性能卓越的vLLM。二是逐漸衍生出一系列結合推理服務特點的新引擎。LMDeploy、SGLang等對多模態、長文本支持友好的推理引擎陸續推出，尤其自DeepSeek-V2開始SGLang與DeepSeek深度整合，產業界對SGLang的關注迅速提升。三是隨著MoE模型架構逐漸成為主流趨勢，主流大模型框架如vLLM、DeepSpeed[9]等均強化了對MoE特性的支持，同時產業界也推出了一批聚焦MoE訓推的AI框架，如清華的KTransformers等。此外，DeepSeek也推出了為MoE架構中專家并行（EP）定向優化的DeepEP通信庫[10]。
（二）協同優化：“模型-架構-場景”深度耦合的優化范式成為主流，支撐人工智能平臺性能提升
一方面，隨著PD分離式推理架構逐漸成熟，場景落地顯著加速。2024年陸續推出了DistServe（北大&USCD）、Splitwise（微軟）、TetriInfer（華為云）和MemServe（華為云）等PD分離式推理架構方案[11]。2025年初，月之暗面與清華聯合阿里云、華為存儲、面壁智能、趨境科技等共同發布的Mooncake開源項目是業界大規模落地PD分離案例。該方案通過構建以KVCache為中心的P-D分離調度集群，實現了有效吞吐平均提升75%，特定場景吞吐提升5.25倍，并承接了kimi線上80%流量[12]。DeepSeek部署推理方案也采用了PD分離架構，其在兩階段增加了高負載專家分發、動態冗余專家激活策略[13]，可進一步結合MoE模型架構優化計算資源利用。英偉達近期推出的Dynamo分布式推理加速項目，綜合了vLLM、SGLang、DistServe、Mooncake等基礎，基于PD分離架構基礎上，通過精細化KVCache的分布式路由管理，實現系統性能提升[14]。
另一方面，聚焦場景特點、系統架構的精細化調度技術不斷發展，提升推理系統與差異化場景適配度。XXL-JOB作為廣泛應用于企業級應用中的分布式任務調度平臺，解決了在分布式系統中任務調度、定時執行、任務分片、失敗重試、任務依賴等問題。阿里云的分布式調度解決方案SchedulerX能夠支持秒級別的精確調度周期，為用戶提供最小到1秒的任務調度頻率，滿足了金融、電信等對時間敏感行業的需求[15]。阿里云Llumnix全局調度器引入了運行時請求重調度能力，支持在多個實例間動態分配請求，可應對請求的異構性和不可預測性，實現多種調度場景統一化，在真實流量場景下，尾部延遲降低10倍，在相似尾部延遲的情況下成本節約高達36% [16]。對于分布式場景而言，精細化調度可進一步提升優化上限。但整體而言，目前主流調度工具仍缺乏結合大模型及推理場景的深度優化。
結束語
未來，服務效果、加速效果等指標作為技術、產品能力的顯性標尺，可客觀呈現大模型推理平臺當前的能力水位，是推理優化效果的直觀參照。另一方面，在時延、精度、成本、資源等多方約束條件下，識別潛在的性能提升空間、確定可優化的具體維度、制定有效的提升策略，將是推理優化路徑演進過程中需要解決的核心問題。
參考資料
[1]《GenAI技術落地白皮書》阿里云
[2] 中金 | AI進化論（1）：DeepSeek推動“大模型平權”，是訓練算力的拐點還是黑洞？https://mp.weixin.qq.com/s/c0cwxICVjk-ee7ZFKocGQA
[3] DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model https://arxiv.org/pdf/2405.04434
[4] DeepSeek-V3 Technical Report https://arxiv.org/pdf/2412.19437
[5] 揭秘老黃演講中關鍵技術：PD分離！UCSD華人團隊力作，LLM吞吐量躍升4倍 https://mp.weixin.qq.com/s/kdxJng0X3RT2UU8EnuxeSw
[6] Throughput is Not All You Need: Maximizing Goodput in LLM Serving using Prefill-Decode Disaggregation https://hao-ai-lab.github.io/blogs/distserve/
[7] 中金 | AI十年展望（二十）：細數2024大模型底層變化，推理優化、工程為王 https://mp.weixin.qq.com/s/tY3pxGpg-WK70ySOgkkiRQ
[8] Mooncake 分離式推理架構創新與實踐 https://www.infoq.cn/article/f2Lp0tlCuYvGJ65kXW4B
[9] Getting Started with DeepSpeed-MoE for Inferencing Large-Scale MoE Models https://www.deepspeed.ai/tutorials/mixture-of-experts-inference/
[10] DeepEP https://github.com/deepseek-ai/DeepEP
[11]大模型推理分離架構五虎上將 https://mp.weixin.qq.com/s/g7lq4IcJ4-etkh9XV8Giig
[12] Mooncake: A KVCache-centric Disaggregated Architecture for LLM Serving https://arxiv.org/pdf/2407.00079
[13] DeepSeek技術社區DeepSeek-V3 技術報告解讀 https://deepseek.csdn.net/67cda6da6670175f9932e823.html
[14] Dynamo項目解讀，NVIDIA官方的分布式大型語言模型（LLM）推理加速框架https://mp.weixin.qq.com/s/t9rm_rG2NwXaZLe_SF5_hg
[15] 大規模分布式應用任務調度解決方案 https://www.aliyun.com/solution/middleware/lsajs
[16] Llumnix: Dynamic Scheduling for Large Language Model Serving https://arxiv.org/pdf/2406.03243
作者：中國信息通信研究院人工智能研究所 宇文夢柯 董昊 曹峰
