ml.g6e.4xlarge

AWS SageMaker HyperPod 通过分层 KV 缓存增强 LLM 推理能力

AWS 为 Amazon SageMaker HyperPod 上的大型语言模型 (LLM) 开发了一种分层 KV 缓存架构，利用 Curvine 将缓存内存从 GPU 和 CPU 扩展到共享 NVMe 池。该方法旨在通过实现不同推理副本之间的缓存重用，来降低基础设施成本并改善用户体验。该系统在跨 Pod 缓存命中率方面达到了 100%，在处理约 1,900 个 token 的提示时，首次 token 时间缩短了 2.7 倍。