文章主要内容和创新点
主要内容
本文聚焦于大语言模型（LLM）推理服务中预填充（prefill）和解码（decode）两个阶段的资源管理问题。预填充阶段处理完整输入提示以生成第一个输出token，属于计算密集型；解码阶段逐token生成后续输出，受内存带宽约束。现有方案存在局限：单引擎混合处理（如vLLM）会因两阶段资源需求冲突导致干扰，增加延迟；跨引擎解耦（如vLLM-disaggregation）虽避免干扰，但需额外硬件且资源利用率低。
为此，本文提出Nexus——一种在单个GPU内实现预填充与解码逻辑解耦的服务引擎。其核心机制包括：轻量级分析成本模型（预测不同资源分配下的延迟）、贪心搜索算法（实时选择低延迟资源分区）、阶段特定调度器（预填充用“最短提示优先”优化首token时间（TTFT），解码用“先到先服务”优化token间时间（TBT））。实验表明，Nexus在吞吐量、TTFT和TBT上显著优于vLLM、SGLang等基线，且仅用一半GPU资源即可超越vLLM-disaggregation。
创新点
- 引擎内解耦架构：首次在单个服务引擎（GPU）内实现预填充与解码的逻辑分离，避免跨设备通信开销，同时保持高资源利用率。
- 动态SM分区：基于GPU流多处理器（SM）的动态资源分配，通过成本模型捕捉两阶段的边际效益递减特性，实时调整资源占比以减少干扰。
- 轻量级优化机制：结合分析成本模型与贪心搜索算法，实现亚秒级资源重分配，适应动态 wo
