01 详细解释
自回归生成时,前面所有 token 的 K、V 其实没变,缓存起来就能把每步计算量从「与长度平方相关」降到线性。没有它,长对话根本跑不动。
代价是显存:缓存大小与层数、头数、序列长度成正比。上下文越长、并发越多,缓存越吃显存,这也是长文本推理贵的主要原因。
自回归生成时,前面所有 token 的 K、V 其实没变,缓存起来就能把每步计算量从「与长度平方相关」降到线性。没有它,长对话根本跑不动。
代价是显存:缓存大小与层数、头数、序列长度成正比。上下文越长、并发越多,缓存越吃显存,这也是长文本推理贵的主要原因。
同样一个模型,费用能差十倍,差别全在缓存、批处理、量化、并行和让它想多久。做容量规划、选部署方式、谈单价,都绕不开这几个词。
下面这些站点来自 AI 导航(nav.ppv9.com)的同一份工具清单,按本词条的相关度挑选。