papers
2025-01
2025-02
2025-03
- Fast On-device LLM Inference with NPUs. Daliang Xu et.al. ASPLOS25, 2024, (pdf)(link).
- LLM in a flash: Efficient Large Language Model Inference with Limited Memory. Keivan Alizadeh et.al. arxiv, 2023, (pdf)(link).
- 端侧推理(pc)，存储优化，激活稀疏，参数offload
- note
- Mooncake: Trading More Storage for Less Computation — A KVCache-centric Architecture for Serving LLM Chatbot. Ruoyu Qin et.al. FAST, 2025, (pdf)(link)(slides).
- serving，分布式kv-cache存储，prefill-decode分离
- note
- APE: Faster and Longer Context-Augmented Generation via Adaptive Parallel Encoding. Xinyu Yang et.al. ICLR Poster, 2025, (pdf)(link)(open review).
- KVLink: Accelerating Large Language Models via Efficient KV Cache Reuse. Jingbo Yang et.al. arxiv, 2025, (pdf)(link).
- Speculative Decoding and Beyond: An In-Depth Survey of Techniques. Yunhai Hu et.al. arxiv, 2025, (pdf)(link).
- LongSpec: Long-Context Speculative Decoding with Efficient Drafting and Verification. Penghui Yang et.al. arxiv, 2025, (pdf)(link).
- Unlocking Efficiency in Large Language Model Inference: A Comprehensive Survey of Speculative Decoding. Heming Xia et.al. arxiv, 2024, (pdf)(link).
- KVDirect: Distributed Disaggregated LLM Inference. Shiyang Chen et.al. arxiv, 2024, (pdf)(link).
- vAttention: Dynamic Memory Management for Serving LLMs without PagedAttention. Ramya Prabhu et.al. arxiv, 2024, (pdf)(link).
- IMPRESS: An Importance-Informed Multi-Tier Prefix KV Storage System for Large Language Model Inference. Weijian Chen et.al. FAST25, (pdf)(link)(slide).
- Long-Context Language Modeling with Parallel Context Encoding. Howard Yen et.al. ACL, 2024, (pdf)(link).
- Attention Entropy is a Key Factor: An Analysis of Parallel Context Encoding with Full-attention-based Pre-trained Language Models. Zhisong Zhang et.al. arxiv, 2024, (pdf)(link).
- LoongServe: Efficiently Serving Long-Context Large Language Models with Elastic Sequence Parallelism. Bingyang Wu et.al. sosp24, 2024, (pdf)(link).
- FastDecode: High-Throughput GPU-Efficient LLM Serving using Heterogeneous Pipelines. Jiaao He et.al. arxiv, 2024, (pdf)(link).
- Liger: Interleaving Intra- and Inter-Operator Parallelism for Distributed Large Model Inference. Du Jiangsu et.al. ppopp24, 2024-2-20, (link)(pdf).
2025-03
- Fire-Flyer AI-HPC: A Cost-Effective Software-Hardware Co-Design for Deep
Learning. Wei An et.al. SC24, 2024, (pdf)(link).
- [] ppt
- [] note
note
Fast On-device LLM Inference with NPUs
这篇是很经典的一篇利用NPU在端侧加速推理的一篇文章，已经被ASPLOS25录用。因为隐私计算的需求，以及手机性能的提高，端侧运行llm越来越可行，但是端到端延迟不符合要求。本文重点关注端侧的prefill阶段加速，在长序列的任务中，这部分计算延时占比可以达到80%以上。因为prefill阶段是计算密集型，且npu擅长整数并行运算且广泛存在于手机中，另外手机cpu/gpu并行计算能力相对于消费级gpu并行能力差，所以用npu加速prefill阶段的推理是很符合直觉的。
核心思想：在量化的模型下，在prefill阶段将尽可能多的整数计算移动到npu上执行，同时将浮点运算在cpu/gpu上执行。挑战：1.对于变长的prompt，npu只支持静态大小的操作，准备工作(构建优化计算图)耗时；2.npu计算与sota量化方法不匹配，常用的per-group量化无法在npu上执行，需要拆分矩阵运算；3.npu不擅长浮点运算，而attention和layernorm往往需要浮点计算以保持精度。
对于挑战1，提出了分块chunk与共享计算图，对于静态的计算图（如ffn），在不同chunk间共享，对于有序列位置依赖的计算图（如attention），不共享计算图；对于挑战2，提出了Shadow outlier execution，mllm.npu采取了per-tensor的量化方法以适应npu的结构，对于激活值中的离群值，将浮点部分移动到cpu上计算，最后合并结果。对于npu,cpu内存地址空间不共享，需要复制离群值对应的权重，这里采用了统计分析哪些channel容易出现离群值（hot,集中），预先复制，cold的权重按需从磁盘加载；对于挑战3，主要是解决如何协调npu/cpu间计算的问题，按chunk顺序调度然后重合计算肯定是不可行的，因为ATTENTION计算会变化，这里采用的是乱序执行，只要满足数据依赖关系，就可以执行，这里考虑的依赖包括chunk内部的依赖以及跨chunk的依赖。因为实验发现npu执行时间占推理的主要部分，所以是关键路径，我们要尽可能减少npu执行的停滞。所以对于具体调度来说，优先在cpu上调度subgraph(满足的后续依赖可以让npu执行最久)，在npu上则优先调度执行时间最长的subgraph。
LLM in a flash
端侧设备（个人pc）内存有限，需要offload模型参数到flash中，本文关注激活稀疏场景下从flash（nvme nand）加载参数到dram的通信优化。nvme特点是线程越多chunk越大带宽就越大，同时激活稀疏利用预测器可以只加载少量神经元。本文提出1.滑动窗口作为缓存的依据，因为神经元有一定agggregate的特性，所以保留窗口大小以前激活的神经元，这样可以减少传输的数据大小。2.bind neuron，增加chunk size，提高带宽。3.提出了一个在dram放置管理neurons的方法，不过感觉作用不大。
Mooncake
本文获得了fast25最佳论文奖，还是很牛的。本文的场景是巨大的Mass，该场景的特点是在满足SLO下最大化吞吐量。当然，这里有一个前置的配置就是说prefill与decode instance分离（普遍做法）。
在prefill阶段，kvcache前缀重用可以大大减小计算量，原始计算量$\text{flops}(n) = l \times (a n^2 d + b n d^2)$，假设n token中有前p个token被重用，则计算量变为原来的$(\frac{p}{n})^2$。假如kvcache不在prefill节点，则需要加载而只要传输时间小于减少部分计算时间，就有收益，经过计算llama3-70b + 1node(8*h800)只要20GB/s带宽（min NIC&h2d）即可，而这是很容易满足的。所以本文就提出核心思想trading more storage for less computation，利用上一切可以用上的存储资源（DRAM,SSD,RDMA）来持久化存储kv cache，尽可能提高prefix hit rate。挑战无非是：要提高hit rate,存储的kvcache就要很大，怎么存的问题；相对应的就是分布式环境不同设备传输kvcache的带宽问题；另一个就是基于serving的环境以及目标如何最优化调度的问题喽。
当一个请求到来时，调度器根据工作负载与kv cache状态调度到一个prefill与decode node pair。与传统的区别就是prefill前会进行Kvcache重用的加载，以及decode前会通过文件系统MOONCAKE Store传输到decode node(与prefill重叠)。
这里再补充一点RDMA的知识:
传统网络传输路径用户空间缓冲区 → 内核空间缓冲区 → 协议栈处理 → NIC发送
RDMA 传输路径用户空间缓冲区 → RDMA NIC直接访问（通过虚拟地址映射）
MOONCAKE Store，page block存储（page attention），hash id标记自己及prefix,LRU逐出策略。这里设计到分布式的文件传输api设计，一个是kv cache包装后的存取复制等api,一个是跨节点的传输api。为了实现这些api,需要设计一个transfer engine,对于跨节点传输（local dram/vram to renote location using RDMA NIC）的带宽限制的问题（本地DRAM/VRAM → UPI → PCIe Switch → RDMA NIC → 网络），通过Topology-aware path selection的方法实现动态RDMA路径的选择，同时将传输请求分片均衡RDMA NIC负载。
对于prefill,文章说是用了一个chunked pipeline parallelism (CPP) ，不过我没感觉这个东西和序列并行的区别？有待讨论。
对于prefill调度，给予该请求prefill time（预测而来） + local排队时间，prefill time通过该Instance重用前缀数量及请求长度预测得到（offline训练）。这里并不会以最大的匹配前缀来确定调度到哪个instance，有一个kv-cache负载平衡的算法，同时这样做可以做到自动复制热点的前缀。
实验来说设备很豪华，16 * node( eight NVIDIA-A800-SXM4-80GB GPUs and four 200 Gbps RDMA NICs.),模型LLaMA3-70B 这里的一个亮点就是细分了使用场景：Conversation Tool&Agent Synthetic（长序列），mooncake遵循slo还是很不错的。 对于llama3-70b,假设1node-1T mooncake-cache- 3M tokens - 50% theoretical maximum hit rate，而且100%max hit rate则需约50M tokens - 20node,太恐怖了。 这里对于hot cache的分析也很有意思，比如agent场景，hot key几乎每个node都保存了。
CEPE
比较早提出并行编码方式的工作。使用的trainable的方法，对于原本的大模型，增加了一个encoder编码不同上下文，同时在大模型的每一层增加了一个cross-attention layer,用于将prompt关注外部context。
APE
因为说发现trainable的方法对于处理复杂推理任务的性能不行，本文采用了一种training-free的方法。基于不同context的kvcache的相似性， 内在性质证明了不同上下文的kvcache是可以组合的。并针对并行解码效果下降的原因进行了分析。针对头部attention sink导致的异常高的attention score, 采用共享前缀；为使不同上下文拼接后attention score更平滑，对注意力计算增加了温度参数，并针对该温度参数影响attention score绝对值的问题在attention score后增加了一个缩放因子抵消该影响。
KVLink
Fire-Fly HPC
deepseek的萤火AI系统的设计，主要介绍了cost-effective的AI-HPC设计（万卡PCIE A100），对标英伟达的DGX-A100设计。主要包括5方面的设计， 一个是网络的设计上，一个是计算通信重叠的HFREDUCE（对标NCCL），一个是存储3FS，一个是HaiScale用于并行方法优化，一个是HAI调度系统错误恢复等。