大模型---显存，计算，通信

目录1.显存（1）KV cache2.计算3.通信大模型的部署问题可以拆成三个维度：显存、计算、通信。显存先决定模型和运行态能不能放进去；计算再决定prefill和batch场景下的吞吐上限；通信最后决定多卡、多机扩展是提速还是拖后腿。也就是：端到端时延或者吞吐=max（显存约束，计算约束，通信约束）。1.显存权重显存参数量*每参数字节数。例如：量化可以降低权重显存，例如，BF16 到 INT8 大约减半，到 4-bit 还会继续降。但部署时不能只看权重，因为推理显存通常还包括：KV cache，中间激活/临时工作区，框架和allocator的额外开销，张量并行/流水并行带来的副本与缓冲区。671B模型只要1.34TB是不够的。这里注意，KV cache不一定同步量化；某些中间计算仍然要回到更高精度；同时，系统工作区、通信缓冲区不会按参数位宽同比下降。所以4bit权重缩了4倍，不是整机显存就缩4倍。（1）KV cache这里重点说一下KV cache，对自回归模型来