# 推理工程从入门到精通

摘要

# LLM 推理优化实用指南：在硬件约束下榨干性能 本文是一份面向实践者的指南，覆盖常见的推理瓶颈——包括运行时选型（Ollama、llama.cpp、vLLM、SGLang）、硬件相关的编译选项、量化方案的选择（IQ vs Q_K vs NL），以及按任务选型模型——并给出在有限硬件条件下优化 LLM 推理的最佳实践。 --- ## 目录 1. [为什么推理是瓶颈](#为什么推理是瓶颈) 2. [运行时选型：Ollama、llama.cpp、vLLM、SGLang](#运行时选型) 3. [硬件相关的编译选项](#硬件相关的编译选项) 4. [量化方案：IQ vs Q_K vs NL](#量化方案) 5. [按任务选择模型](#按任务选择模型) 6. [端到端最佳实践](#端到端最佳实践) 7. [常见误区与排查清单](#常见误区与排查清单) --- ## 为什么推理是瓶颈 推理的成本通常由两部分构成： - **预填充阶段（prefill）**：处理输入 prompt，计算量大，受算力（FLOPs）限制，是 **compute-bound**。 - **生成阶段（decode）**：逐 token 自回归生成，每步都要读取全部权重，受内存带宽限制，是 **memory-bandwidth-bound**。 在 decode 阶段，实际算力利用率往往只有个位数百分比，性能几乎完全由 **「模型大小 / 内存带宽」** 决定。因此： > 量化带来的收益不只是"显存更省"，更重要的是"每步读的数据更少，生成更快"。 理解这一点，是理解后续所有优化手段的基础。 --- ## 运行时选型 没有万能的推理引擎，选择取决于场景：本地单用户、批量离线处理，还是高并发在线服务。 ### Ollama - **定位**：本地开发与个人使用，开箱即用。 - **优点**：安装简单、模型管理便捷、内置轻量 HTTP API、自动选择合理的量化版本。 - **缺点**：抽象层较多，难以做细粒度调优；并发能力有限。 - **适用**：开发者本机实验、原型验证、单用户交互场景。 ### llama.cpp - **定位**：CPU / 边缘设备推理的事实标准，也可用于 GPU。 - **优点**：编译选项极其丰富、内存占用低、跨平台支持好（x86、ARM、Apple Silicon）、量化格式最全。 - **缺点**：批量与并发支持不如 vLLM；高并发吞吐不是强项。 - **适用**：树莓派、MacBook、老旧 CPU 服务器、需要极致内存控制的场景。 ### vLLM - **定位**：面向生产的高吞吐在线推理服务。 - **优点**：PagedAttention、Continuous Batching、Tensor Parallelism、丰富的量化后端支持，高并发下吞吐优势显著。 - **缺点**：资源开销较大、单用户低延迟场景未必占优、需要 GPU。 - **适用**：API 服务、多租户推理平台、需要稳定吞吐的生产环境。 ### SGLang - **定位**：复杂采样工作负载与多轮对话的高吞吐引擎。 - **优点**：RadixAttention 对共享前缀缓存极高效，擅长多轮对话、工具调用、结构化输出等场景；支持混合并行与投机解码。 - **缺点**：生态相对年轻，调试资料略少于 vLLM。 - **适用**：多轮 agent、共享系统提示的高并发服务、复杂控制流的 LLM 应用。 ### 选型速查表 | 场景 | 推荐 | | --- | --- | | 个人本机 / 开发调试 | Ollama、llama.cpp | | 边缘 / CPU / 低内存设备 | llama.cpp | | 高并发在线 API | vLLM | | 多轮对话 / Agent / 共享前缀 | SGLang | | 批量离线处理 | vLLM 或 SGLang（大 batch 时均可） | --- ## 硬件相关的编译选项 "用同样的模型和同样的量化，不同机器的性能可以差几倍"——差别的来源往往就是编译选项。 ### CPU（llama.cpp） 在 `CMake` 构建时根据 CPU 指令集开启对应选项： | 构建选项 | 说明 | | --- | --- | | `-DGGML_NATIVE=ON` | 按当前编译机器的 CPU 指令集自动生成代码 | | `-DGGML_AVX=ON` / `-DGGML_AVX2=ON` / `-DGGML_AVX512=ON` | 启用对应 SSE/AVX/AVX-512 加速 | | `-DGGML_ARM_NEON=ON` | ARM NEON 加速（默认启用） | | `-DGGML_CUDA=ON` / `-DGGML_METAL=ON` / `-DGGML_VULKAN=ON` | 对应 GPU 后端 | 要点： - **在目标机器上编译**，`GGML_NATIVE=ON` 才能选出最优指令集。 - AVX-512 相比 AVX2 在大模型推理上常有明显提升，务必确认是否开启。 - 大矩阵乘法优先走 BLAS（如 OpenBLAS、MKL），可显著提升 prefill 吞吐。 ### GPU - **CUDA**：确保 `CMAKE_CUDA_ARCHITECTURES` 或 `-DCMAKE_CUDA_ARCHITECTURES=native` 与你的 GPU 匹配，避免 PTX JIT 带来的启动开销。 - **Compute capability 对齐**：`nvcc` 编译的代码若高于 GPU 的 compute capability，可能直接无法运行。 - **Tensor Core**：确认量化内核能真正利用 Tensor Core（如 AWQ、GPTQ 的 Marlin 内核、FP8 内核），而不是退化到普通 CUDA 核心。 ### Apple Silicon - Metal 后端通常比 CPU 后端快 10 倍以上。 - 统一内存架构下，量化收益不仅体现在速度，还体现在模型容量上限。 --- ## 量化方案 ### 量化格式速览 | 类型 | 代表格式 | 位宽 | 特点 | | --- | --- | --- | --- | | **整数量化** | Q8_0、Q6_K、Q5_K_M、Q4_K_M、Q4_0 | 4–8 bit | 简单高效，广泛兼容 | | **K-Quant（Q_K）** | Q4_K_M、Q5_K_M、Q6_K、Q3_K_L | 3–6 bit | 逐层/逐块混合精度，是当前主流推荐 | | **重要性量化（IQ）** | IQ2_XXS、IQ3_XXS、IQ4_XS | 2–4 bit | 基于重要性矩阵（imatrix）的方法，低比特下质量更稳 | | **NL / 非线性量化** | NF4（bitsandbytes）、非线性 K-quants | ~4 bit | 均匀分布假设被打破，对非均匀权重分布更友好 | ### IQ（Importance Quantization） - 通过 **imatrix**（重要性校准数据集）为每个权重组赋予重要性权重，量化误差大的权重保留更多信息。 - 在 **3–4 bit** 低比特场景下，质量损失通常明显小于传统 Q 格式。 - 代价：生成 imatrix 需要校准数据集；部分格式推理速度略慢。 - **推荐**：在显存/内存吃紧、必须用 2–4 bit 时优先考虑 IQ 系列。 ### Q_K（K-Quant） - llama.cpp 中的主力格式，采用**分层混合精度**策略：对敏感层用更高位宽，非敏感层用更低位宽。 - `Q4_K_M` 是当前性价比最均衡的选择，`Q5_K_M` / `Q6_K` 则提供接近 FP16 的质量。 - **推荐**：大多数场景的默认选择。Q4_K_M 用于 8–16 GB 内存的机器，Q6_K 用于追求质量且内存尚可的机器。 ### NL（非线性量化） - NF4 等格式基于权重分布近似正态的先验，将量化区间做**非线性映射**，低比特下保真度更高。 - 在 bitsandbytes 生态中支持良好，但与 llama.cpp / GGUF 生态的兼容性有限。 - **推荐**：在 HuggingFace transformers 直接微调/推理、且可用 bitsandbytes 时使用；若走 GGUF / llama.cpp / vLLM 部署链路，K-Quant 或 IQ 更实用。 ### 选型建议 | 内存预算 | 推荐方案 | | --- | --- | | 充裕 | 不量化 / FP16 / BF16，或 Q8_0 | | 中等 | Q6_K、Q5_K_M | | 紧张（12–16 GB） | Q4_K_M（首选） | | 极紧（< 12 GB，大模型） | IQ4_XS、IQ3_XXS，或 Q3_K_L | | 最紧（2–3 bit） | IQ2_XXS（需 imatrix） | > **通用原则**：量化是"用质量换速度与容量"。每换一个更激进的格式，都要用**你的真实任务**做回归测试，而不是只看通用 benchmark。 --- ## 按任务选择模型 "最好的模型"取决于任务类型。 | 任务类型 | 关注点 | 建议 | | --- | --- | --- | | **通用对话 / 助手** | 指令跟随、事实准确性、长上下文 | 通用 instruct 模型（如 Llama、Qwen、Mistral 系列），质量优先，量化可保守 | | **代码生成** | 语法正确性、长上下文代码理解 | 代码专精模型；建议 Q5_K_M 及以上，低比特对代码影响较大 | | **摘要 / 分类 / 提取** | 输出短、延迟不敏感、可能需要低延迟 | 可大胆用低比特模型甚至更小的模型，量化到 Q4 甚至 IQ3 通常可接受 | | **数学 / 推理** | 逻辑链长度、token 敏感 | 推理增强型模型；量化影响更显著，尽量 Q6_K 以上 | | **RAG / 长文档** | 上下文长度、KV cache 体积 | 考虑支持长上下文的模型 + KV cache 量化（如 k-quant 的 KV cache、Q8 KV） | | **Agent / 工具调用** | 结构化输出稳定性、多轮一致性 | 使用原生支持 tool calling 的模型；避免过度量化 | | **边缘 / 离线** | 小模型、低延迟、无网络 | 紧凑型模型（3B–8B）+ IQ/Q4 格式 | 模型规模的取舍： - **小模型（1B–3B）**：延迟最低、成本最低，适合分类、改写等"短任务"。 - **中模型（7B–14B）**：质量与速度的甜点区，绝大多数场景够用。 - **大模型（30B+）**：复杂推理与长任务才值得，对硬件要求高。 > **务实建议**：先用小模型跑通 pipeline，测量真实指标（准确率、延迟、token/s），再决定是否升级模型规模。模型翻倍带来的收益，常常不如一个更好的量化方案或正确的引擎配置。 --- ## 端到端最佳实践 ### 1. 先测量，再优化 建立可复现的基准： - 用**你的真实请求**做测试，不要只用通用 benchmark。 - 分开测量 prefill 速度与 decode 速度。 - 关注 **首 token 延迟（TTFT）** 与 **每 token 延迟（TPOT）**，二者对应不同瓶颈。 ### 2. 针对瓶颈优化 | 症状 | 可能瓶颈 | 优化方向 | | --- | --- | --- | | prefill 慢、decode 正常 | compute-bound | 更大 batch、更好硬件、Flash Attention | | decode 慢、prefill 正常 | 内存带宽受限 | **更小的量化格式**、更快的显存/GPU、投机解码 | | 内存溢出 | KV cache / 模型过大 | 量化 KV cache、更激进的模型量化、更小模型 | ### 3. 高并发场景的关键手段 - **Continuous Batching**：让请求动态进出批次，显著提升吞吐（vLLM、SGLang 内置）。 - **Paged KV Cache**：减少显存碎片，提高并发容量。 - **Prefix / Radix Caching**：共享 system prompt 与多轮对话前缀的 KV（SGLang 的 RadixAttention 尤其强）。 - **Tensor / Pipeline Parallelism**：多卡场景下的显存与算力切分。 - **Speculative Decoding**：用小模型起草、大模型验证，decode 吞吐可提升 2–3 倍。 ### 4. 减少生成量本身 很多时候最大的优化不是引擎，而是**少生成一点**： - 精简 system prompt 与 few-shot 示例。 - 使用 `max_tokens` 硬限制与合理的 `temperature`。 - 对摘要/分类任务采用结构化输出，减少冗长自由文本。 --- ## 常见误区与排查清单 ### 误区 - ❌ "量化 = 模型变笨"。Q4_K_M 通常只带来很小的质量损失，收益是显著的速度与容量提升。 - ❌ "引擎越复杂越好"。本地单用户用 vLLM 往往是浪费；反之，高并发用 Ollama 会严重限制吞吐。 - ❌ "看别人 benchmark 选型"。别人的 GPU、上下文长度、batch size 与你不同，结论可能完全相反。 - ❌ "只调模型不调编译"。同一模型在不同 CPU 指令集下可以差 2–4 倍。 ### 排查清单 - [ ] 量化格式是否真的被目标引擎支持并能加速？ - [ ] KV cache 占用是否计入内存预算？ - [ ] batch size 是否已调优？（小 batch 可能远未打满 GPU） - [ ] 上下文长度设置是否合理？（KV cache 随长度线性增长） - [ ] 是否启用了正确的 Flash Attention / Paged Attention？ - [ ] CPU 推理是否用上了 BLAS？ - [ ] GPU 架构是否与编译时设置一致？ - [ ] 是否用真实任务做过质量回归测试？ --- ## 结语 优化 LLM 推理没有银弹，但有一条清晰的路径： 1. **明确场景**——本地开发、边缘部署，还是高并发服务。 2. **选对引擎**——Ollama / llama.cpp / vLLM / SGLang 各有其位。 3. **匹配硬件**——编译选项与并行策略要与你的 CPU/GPU 对齐。 4. **合理量化**——Q_K 是默认，IQ 用于极限压缩，NL 留给特定生态。 5. **按任务选模型**——别为短任务付长模型的代价。 6. **持续测量**——用真实负载回归，而不是盲信通用 benchmark。 把这六步走通，你就能在给定的硬件约束下，获得既快又稳的推理性能。