ARTICLE DETAIL / 01

单用户解码快44%,批量64时只剩15%

2026-11-21 4359 热点资讯
ARTICLE 2026 INSIGHT / UPDATE / STORY
单用户解码快44%,批量64时只剩15%
摘要

SGLang 0.5.23 于 2026 年 11 月 2 日发布,包含来自 257 位贡献者的 1007 个 PR。这一版最受关注的内容,是一个需要手动开启的「低延迟模式」:NVIDIA megakernel 插件和 AMD monokernel 插件,把解码过程作为融合的持久化内核来运行。 发布说明给出的数字是:在 GB300 上,DeepSeek-V4.1-Flash 的单用户解码最高快 4

SGLang 0.5.23 于 2026 年 11 月 2 日发布,包含来自 257 位贡献者的 1007 个 PR。这一版最受关注的内容,是一个需要手动开启的「低延迟模式」:NVIDIA megakernel 插件和 AMD monokernel 插件,把解码过程作为融合的持久化内核来运行。 发布说明给出的数字是:在 GB300 上,DeepSeek-V4.1-Flash 的单用户解码最高快 44% ;在 MI350X 上最高快 75% 。这两个数字需要换算一下才好理解——44% 的加速意味着单步时间减少了 30.6% ,75% 的加速意味着减少了 42.9% 。被抹掉的这部分,正是启动间隙和集合通信等待。 它到底替换了什么 两个插件都通过 SGLang 的通用插件入口 sglang.srt.plugins 加载,不是对核心代码的重写。不传 flag 时,SGLang 按原样运行;0.5.23 的 CUDA 镜像里,插件处于「未激活」状态,除非设置 --enable-nvidia-megakernel。 开启后,SGLang 在参数解析阶段、权重加载之前就检查配置。模型 runner 准备好受支持的模型后,构建 megakernel 并替换该模型实例的 forward。替换后的路径只接管被覆盖的步骤,其余步骤仍走模型自己的 forward。对 DeepSeek-V4.1-Flash 来说,更大的 verify 步骤、prefill 和 extend 都走标准路径。 覆盖面是刻意收窄的。NVIDIA 的表格列出 DeepSeek-V4.1-Flash 在 GB300 和 B300 上、张量并行度为 4、投机验证步为 1 到 384 行(每请求 6 行,即 batch 1 到 64)。B300 上的速度只测了单请求。表格其他行覆盖 Qwen3.5、Kimi K3、Kimi K3.1、GLM-5.3 和 GLM-5.2,各有自己的限制。两个 README 都挂着「实验性」横幅,说明内核、支持的配置和开关本身都可能变化。 为什么一个小批次能快这么多 AMD 的 README 把机制说得很直白:monokernel 是一个持久化内核,把解码层的大部分工作——包括注意力、专家混合块和两次张量并行 all-reduce——放进一到两次启动里完成。它要消除的,是「主导小批量解码的启动间隙和集合通信延迟」。 batch 1 时,解码一步每层搬运的数据量很小。GPU 很快算完一个小内核,然后等下一次启动,或者等 all-reduce 完成才能开始下一个算子。NVIDIA 的 README 从另一侧描述了这个修法:内核之间通过 mailbox 和程序化依赖启动传递输出,不再跨越逐个算子的边界。 张量并行度为 4 时,每一层都要付若干次集合通信的代价。每一次都是一个同步点,四块 GPU 一起等最慢的那块。把 all-reduce 融进同一个持久化内核,下一阶段可以在数据到达时立刻开始,而不必等一次独立启动。 44% 在单步时间里是什么概念 加速比很容易读错。每秒 token 数提升 44%,意味着每个 token 只花原来时间的 1/1.44。换算下来,GB300 上约 30.6% 的单步时间被移除,MI350X 上约 42.9% 。 也就是说,在最好的单用户场景下,GB300 单步里大约三分之一是间隙与同步开销,MI350X 上大约五分之二。这本身就是个有用的诊断指标:如果你自己的 batch 1 解码 trace 里,内核之间的空闲时间也占类似比例,那这类优化就有戏;如果 trace 显示 GPU 从头忙到尾,你拿不到这样的数字。 批量一大,收益为什么缩水 被移除的开销基本是按步计的,不是按请求计的。而有效工作——专家矩阵乘、对更多 KV 条目的注意力——会随批量增长。同样一份绝对节省,放在更大的步里,占比就小了。 一个刻意简化的示意模型(不是实测):假设 batch 1 时一步耗时 100 个时间单位,其中 30.6 是可移除的间隙,与 44% 的说法对应;假设剩余工作每多一个请求增长 3%。按这个模型,batch 1 增益约 44.1%,batch 2 约 42.8%,batch 4 约 40.5%,batch 8 约 36.4%,batch 16 约 30.4%,batch 32 约 22.9%,batch 64 约 15.3%。 3% 这个增长率是为示意而设的。要点在方向:固定的节省除以增长的分母。真实曲线取决于专家路由、KV 长度,以及标准路径在大批量下本来就把自己的间隙重叠得有多好。README 也说明 B300 上只测了单请求,更大批量依赖内核测试——这与收益最强的位置是一致的。 还有一层:开启投机解码后,verify 步里的「行

about image
相关标签 热点资讯 球速体育
分享这篇内容
MORE TO READ / 03

推荐阅读

继续浏览相关内容,获得更完整的行业信息和平台观察。

内斯塔:尤文这赛季必须夺冠 迪巴拉增强罗马实力
2026-10-25

内斯塔:尤文这赛季必须夺冠 迪巴拉增强罗马实力

尤文图斯最近可谓是为自己的阵容做了大量工作,在签下博格巴、迪马利亚等球星之后,尤文图斯的阵容组建工作也基本完成。 意大利传奇内斯塔近日表示,尤文图斯这赛季必须重新夺得意甲冠军。 内斯塔认为尤文图斯上赛季的表现很糟糕,但是责任不仅仅在教练身上,球队本身阵容也有问题。内斯塔表示:“无论谁来都是一样。萨里不好,皮尔洛没有经验,教练不应该总是成为指责的对象。球队需要调整,需要变得更加全面。” 而本赛季开始

阅读全文
戴维恩·米切尔:有时球队在防守端态度懈怠 导致扑防时用力过猛
2026-11-04

戴维恩·米切尔:有时球队在防守端态度懈怠 导致扑防时用力过猛

直播吧11月4日讯 昨日,热火117-138输给湖人,赛后,热火球员戴维恩·米切尔接受了记者的采访。 戴维恩·米切尔在采访中坦言球队在防守端态度懈怠,戴维恩·米切尔说:“有时候我们在防守时会变得懈怠,而一旦松懈,我们在扑防时就会用力过猛,我也说不清。如果我们想把对手逼离三分线,就必须有协防球员到位。但并没有做到,我们只需去执行就好。人员没变,防守体系也没变,我们只是需要在比赛中将其贯彻到底,就这么

阅读全文
10轮仅10分,布伦瑞克主场迎战科特布斯保级六分战
2026-11-07

10轮仅10分,布伦瑞克主场迎战科特布斯保级六分战

德乙第10轮过后,布伦瑞克只拿到 10分 ,国际比赛日前的这场保级六分战将在布伦瑞克主场进行。 客队科特布斯是升班马,自第5轮以来还未尝胜绩,此役力争拿到那之后的 首场胜利 。主队布伦瑞克上一场在主场击败了同属下萨克森州的汉诺威,但积分榜上的处境依然吃紧。 双方已确认首发: 布伦瑞克:霍夫曼(队长);艾登、埃勒斯、弗伦克特、迪米凯莱·桑切斯;弗利克、霍伊瑟;施图尔姆、玛丽、奥波库;米亚托维奇 科特

阅读全文
乒坛前辈!薪火相传!入选国际乒联名人堂的14位国乒女将!
2026-11-19

乒坛前辈!薪火相传!入选国际乒联名人堂的14位国乒女将!

很多人看这份名人堂名单,习惯按冠军数量、大满贯头衔去排序比较。 可很少有人意识到,这14位姑娘,不是一串简单的冠军名录,她们拼凑起了中国女乒打法迭代的完整脉络。每一个人,都在当年突破了前人的技术边界,给后来的队员留下可以继续往前走的路。 国际乒联名人堂从1993年设立到现在,全世界能够入选的运动员数量并不多。 中国女乒拿下14个名额,这份分量,不只是金牌堆出来的,更是一代代人试错、革新、拓路换来的

阅读全文