English(EN) Continuous batching wrecked our p99 latency. Here's the trace.

vLLM连续批处理导致Llama 3.3的p99延迟飙升

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-28 06:33

Nexus Labs的一名开发人员在为Llama 3.3 70B模型启用vLLM中的连续批处理后，遇到了显著的延迟问题。虽然吞吐量最初有所提高，但p99延迟增加了八倍，影响了他们的服务水平目标。问题追溯到在同一前向传递中，长预填充请求阻塞了解码操作。 AI

影响强调了LLM服务基础设施中常见的权衡，即像连续批处理这样的功能带来的吞吐量提升可能会对延迟敏感的应用产生负面影响。

排序理由这是一篇关于为特定模型（Llama 3.3）和工作负载优化现有工具（vLLM）的技术帖子，而不是关于新版本或重大行业事件。

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇关于为特定模型（Llama 3.3）和工作负载优化现有工具（vLLM）的技术帖子，而不是关于新版本或重大行业事件。
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: infra, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 133 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

dev.to — LLM tag TIER_1 English(EN) · Marcus Chen · 2026-05-28 06:33

连续批处理破坏了我们的 p99 延迟。这是跟踪。

<p><strong>TL;DR: We turned on vLLM continuous batching for a throughput win and watched p99 latency 8x in the wrong direction. Long prefills were stalling decodes in the same forward pass. Chunked prefill and a tuned <code>max_num_batched_tokens</code> got the SLO back at the co…