LLM 推理加速：深度解析 Prefilling 与 Decoding 阶段的优化秘籍

写在前面

大型语言模型（LLM）的推理过程，即模型根据输入（Prompt）生成输出（Response）的过程，是其应用落地的核心环节。然而，这个看似简单的“输入-输出”背后，隐藏着复杂的计算流程和潜在的性能瓶颈。为了追求更低的延迟和更高的吞吐量，研究者和工程师们将 LLM 推理过程细致地拆分为两个主要阶段：Prefilling（预填充） 和 Decoding（解码），并针对每个阶段的特性设计了不同的加速策略。

理解这两个阶段的差异以及各自的优化技术，对于选择合适的推理引擎、配置部署参数、甚至设计更高效的模型架构都至关重要。本文将深入探讨 Prefilling 和 Decoding 阶段的计算特性、性能瓶颈、当前广泛应用的加速技术方案（如 KV 缓存、FlashAttention、PagedAttention、模型量化、投机解码等）及其作用逻辑，并分析它们如何作用于LLM 推理。

1. LLM 推理的两阶段