【LLM】能刷掉80%候选人的一道大模型面试题

大模型服务的吞吐率太小怎么办？

这是一道能刷掉 80% 候选人的大模型面试题。

更关键的是，这些同学可能到面试结束都没意识到，自己怎么就成了炮灰？

这个视频我将从面试官的视角出发，给大家详细拆解一下。

当面试官问出这道问题时，他的心理预期以及期待的优秀回答，尤其是最后一点，如果你能答出，

立马能让面试官眼前一亮，超越 80% 的面试竞争者。

点赞收藏马上开始。

面试官的第一个心理预期

就是想知道你是否了解大模型服务的吞吐率跟哪些因素有关。

首先看一下吞吐率是怎么算的，吞吐率等于处理的请求 n 必上延时，说人话就是，在一定的时间内，服务处理的请求数除以消耗的时间。我们看一下分母模型处理的延时跟什么有关，是不是模型的 forward 时间？

我们当然希望这个时间尽可能小，对不对？再看分子，怎么能让分子变大呢？处理的请求 n 跟两个因素有关；

一是模型一次能处理的条数，也就是 batch size。

二是服务的实例数量，也就是部署了多少个节点，一个节点能处理n，那 k 一个节点理论上就是 k 乘上n，这两个因素都直接增大了分子。

好到这里为止，我们就答出了面试官的第一个心理预期，那就是大模型服务的吞吐率跟两个因素有关，

1、是模型单次推理的延时，

2、是模型一次能处理的请求数量。

因此让吞吐率提高的方法是，尽量降低模型的推理延迟，同时增大模型的并行处理请求的能力。第一层回答到这里就结束了，也就是最基本的概念，相信大多数同学都能答得上来。

面试官的第二个心理预期

就是想知道你是否了解提高吞阻率的具体解决方法。

我们继续来看，大模型的单次推理延迟有几个方向：

首先是减少计算量。可以采用权重加激活量化来解决，如果 profile 到服务的计算资源还有空余，

比如 GPU 的利用率只有60%，也可以用投机采样来做，也就是用一个小模型猜测，加大模型验证的方式。

另一个方向是提高访存利用率，将要结合所使用模型的计算量来分析，如果模型不是计算密集型的，也就是计算速度比访问内存速度快得多，这时候主要就是受到内存访问的瓶颈。在 self-attention 中大部分都是属于这种情况，因此减少访问内存次数可以极大提升单次推理速度。

Flash attention 就是这个思想，对大模型的并行处理能力也有两个优化方向。

一是在显存运行的情况下，增大模型一次处理的 batch size。

这里有多种方法，静态batching、动态 batching 以及连续的 batching 等等，差别就是合并 batch 的方式不同。

二是在业务条件允许的情况下做水平扩展，增加节点数。

这里就要考虑到 scaling 的问题，也就是增加节点数之后要尽可能最大化利用每个节点的计算能力。

需要考虑到负载均衡的问题，比如用 K8S 加 GPU 利用率监测加 QLB 负载均衡来进行调优。

好，回答到这里我们就答出了面试官的第二个心理预期。

从基本概念到具体解决方法，那根据我的面试经验，大多数候选人可能就到此为止。

但是如果你想冲击一些大厂的大模型岗位，那还得再更进一步，跟其他候选人拉开差距。

面试官的第三个心理预期

就是希望你用业务中实际用过且行之有效的技术，能让他彻底信服。

这里要注意一个关键点，分清主次，选最重要最适合落地的方式来讲，这也是考验你的技术选型能力。

回到问题上来，如果是优化吞吐率，影响最大的因素肯定是模型处理的并行度。

单次推理延时影响的是单个用户的体验，而并行度是高并发的情况下的多个用户的体验。

另外从实际工程经验来看，如果增大 batch size，会以 10% 到 30% 的单次实验增加，换了数倍甚至数十倍的吞吐率加速。

因此最后一层回答，我们就以目前最流行，加速最明显的 continuous batching 技术，来详细讲解是如何和实际业务模型结合的。

首先要明白为什么有这个方法？原因是大模型服务不能假定固定长度的输入序列和输出序列。

因此对于 static batching 或者 Dynamic batching 来说，生成输出的变化可能会导致 GPU 严重未充分利用。

解决这个问题的方法是采用迭代级调度，一旦批中了一个序列完成生成，就可以在其位置插入一个新的序列，从而实现比静态批处理更高的 GPU 利用率。

我们来看这张图，它使用了连续批处理完成 7 条序列。

左图显示了单个迭代后的batch，右图显示了多次迭代后的batch。

一旦一个序列产生，结束序列标记，我们在其位置插入新的序列。

也就是图中的序列S5、S6、S7 ，这样就实现了更高的 GPU 利用率，因为 GPU 不需要等待所有序列完整才开始新的一个，而实际在代码层面实现时，还需要根据服务是流式输出还是一次性输出做进一步优化。

若是流式输出，则需要利用异步协程的async 和 await 来实现计算资源的切换，实现在 token 粒度级别的多用户输出，更进一步，在这个过程中， tokenize 和 detokenize 也可以用异步协程来实现，进一步提高编解码速度。

最后在回答过程中，我们可以边画图边结合实际用例给面试官讲解出来，体现我们对这个算法的熟练掌握程度，那到此为止，这才可以算得上是一个优秀的面试回答。

如果您也对AI大模型感兴趣想学习却苦于没有方向👀

小编给自己收藏整理好的学习资料分享出来给大家💖

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码关注免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。