研究人员推出了一种名为 FairInference 的新颖系统,旨在为多租户 LLM 服务提供强大的延迟隔离。与以往侧重于长期吞吐量公平性的解决方案不同,FairInference 保证了一个行为良好的客户端的 token 生成时间不会超过其隔离生成时间的指定增量($\delta$)。这是通过强制执行每个 token 的截止日期并管理来自共享 GPU 资源和 KV 缓存的延迟来实现的,最终在限制延迟峰值的同时提高整体吞吐量。 AI
影响 增强了共享 LLM 推理服务的可靠性和可预测性,这对于实时应用程序至关重要。
排序理由 该集群包含一篇关于 LLM 服务新系统的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →