图解大模型计算加速系列：分离式推理架构2，模糊分离与合并边界的chunked-prefills

主要观点总结

本文介绍了Sarathi-Serve，这是一种新的推理架构，旨在通过混合batching和切块式prefill策略来优化大模型的推理性能。Sarathi-Serve基于分离式推理架构，解耦了prefill和decode过程，使得两者能独立优化。文章详细解释了Sarathi-Serve的工作原理，包括其背后的关键技术如chunked-prefills和stall-free schedules。此外，文章还对比了Sarathi-Serve与传统推理架构、Orca等架构的优缺点，并展示了其源码解读和性能实验。Sarathi-Serve的设计思路是减少pp并行气泡，提高计算资源利用率，并同时保全TTFT和TPOT/TBT。

关键观点总结

关键观点1: Sarathi-Serve设计思路

Sarathi-Serve基于分离式推理架构，通过切块式prefill和stall-free schedules策略，旨在优化大模型的推理性能。

关键观点2: 块状prefill技术

块状prefill通过固定或动态地设置每个batch中的prefill和decode tokens比例，提高GPU的利用率。

关键观点3: stall-free schedules策略

该策略避免了推理过程中的停滞，同时优化了TTFT和TPOT/TBT。

关键观点4: 源码解读和性能实验

文章详细解读了Sarathi-Serve的源码，并展示了其性能实验结果，验证了其优化策略的有效性。

关键观点5: 与传统架构的对比

文章对比了Sarathi-Serve与传统推理架构如vllm、Orca等，展示了其优点和可能的改进空间。