{"id":493874,"date":"2026-09-08T09:26:59","date_gmt":"2026-09-08T09:26:59","guid":{"rendered":"https:\/\/savepearlharbor.com\/?p=493874"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=493874","title":{"rendered":"\u042f \u043f\u0440\u043e\u0433\u043d\u0430\u043b \u0442\u043e\u043f VRAM-\u043a\u0430\u043b\u044c\u043a\u0443\u043b\u044f\u0442\u043e\u0440\u043e\u0432 \u0434\u043b\u044f LLM \u2014 \u0432\u0441\u0435 \u043e\u0448\u0438\u0431\u0430\u044e\u0442\u0441\u044f \u0432 \u043e\u0434\u043d\u043e\u043c \u0438 \u0442\u043e\u043c \u0436\u0435"},"content":{"rendered":"<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p>\u042f \u043f\u0440\u043e\u0433\u043d\u0430\u043b \u0442\u043e\u043f \u0432\u044b\u0434\u0430\u0447\u0438 Google \u043f\u043e \u00abllm vram calculator\u00bb \u2014 \u043e\u0442 \u0441\u0430\u043c\u043e\u0433\u043e \u043d\u0430\u0432\u043e\u0440\u043e\u0447\u0435\u043d\u043d\u043e\u0433\u043e \u0434\u043e \u043e\u0434\u043d\u043e\u043a\u043d\u043e\u043f\u043e\u0447\u043d\u044b\u0445. \u0412\u0441\u0435 \u043e\u0448\u0438\u0431\u0430\u044e\u0442\u0441\u044f \u0432 \u043e\u0434\u043d\u043e\u043c \u0438 \u0442\u043e\u043c \u0436\u0435: \u043d\u0438 \u043e\u0434\u0438\u043d \u043d\u0435 \u043c\u043e\u0434\u0435\u043b\u0438\u0440\u0443\u0435\u0442, \u0447\u0442\u043e \u0434\u0432\u0438\u0436\u043e\u043a \u0440\u0435\u0437\u0435\u0440\u0432\u0438\u0440\u0443\u0435\u0442 \u043f\u043e\u0447\u0442\u0438 \u0432\u0441\u044e \u043f\u0430\u043c\u044f\u0442\u044c \u043f\u043e\u0434 \u043f\u0443\u043b \u0437\u0430\u0440\u0430\u043d\u0435\u0435, \u0430 \u043d\u0435 \u0440\u0430\u0437\u0434\u0430\u0451\u0442 \u0435\u0451 \u043f\u043e\u0434 KV \u043f\u043e \u043c\u0435\u0440\u0435 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432. \u041e\u0442\u0432\u0435\u0442 \u00ab\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 \u0432\u043b\u0435\u0437\u0435\u0442\u00bb \u0438\u0437-\u0437\u0430 \u044d\u0442\u043e\u0433\u043e \u0432\u0441\u0435\u0433\u0434\u0430 \u043c\u0438\u043c\u043e.<\/p>\n<p>\u041d\u0430\u0438\u0432\u043d\u043e\u0435 \u0431\u043e\u043b\u044c\u0448\u0438\u043d\u0441\u0442\u0432\u043e \u0441\u043f\u043e\u0442\u044b\u043a\u0430\u0435\u0442\u0441\u044f \u0435\u0449\u0451 \u0438 \u043e \u0433\u0435\u043e\u043c\u0435\u0442\u0440\u0438\u044e KV: \u043d\u0430 DeepSeek-V2-Lite \u043e\u0431\u044b\u0447\u043d\u0430\u044f \u0444\u043e\u0440\u043c\u0443\u043b\u0430 \u0437\u0430\u0432\u044b\u0448\u0430\u0435\u0442 \u043f\u0430\u043c\u044f\u0442\u044c \u043f\u043e\u0447\u0442\u0438 \u043d\u0430 \u043f\u043e\u0440\u044f\u0434\u043e\u043a (\u0432 <strong>7\u201311 \u0440\u0430\u0437<\/strong>). \u0420\u0430\u0437\u0431\u0438\u0440\u0430\u044e \u043e\u0431\u0435 \u043b\u043e\u0432\u0443\u0448\u043a\u0438 \u0438 \u0441\u0432\u0435\u0440\u044f\u044e \u0447\u0438\u0441\u043b\u0430 \u0441 \u0436\u0438\u0432\u044b\u043c vLLM.<\/p>\n<h3>\u041e\u0448\u0438\u0431\u043a\u0430 \u21161: \u0434\u0432\u0438\u0436\u043e\u043a \u0437\u0430\u0431\u0438\u0440\u0430\u0435\u0442 \u043f\u0430\u043c\u044f\u0442\u044c \u0437\u0430\u0440\u0430\u043d\u0435\u0435<\/h3>\n<p>\u041f\u0438\u0448\u0435\u0442\u0435 \u0434\u0432\u0435 \u0441\u0442\u0440\u043e\u043a\u0438:<\/p>\n<pre><code class=\"python\">from vllm import LLMllm = LLM(\"meta-llama\/Meta-Llama-3-8B-Instruct\")<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:87px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u041a\u0430\u0436\u0435\u0442\u0441\u044f, \u0447\u0442\u043e \u0434\u0432\u0438\u0436\u043e\u043a \u043f\u043e\u043b\u043e\u0436\u0438\u0442 \u0432\u0435\u0441\u0430, \u0430 \u043e\u0441\u0442\u0430\u0442\u043e\u043a \u0440\u0430\u0437\u0434\u0430\u0441\u0442 \u043f\u043e\u0434 KV \u043f\u043e \u043c\u0435\u0440\u0435 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432. \u0422\u0430\u043a \u043d\u0435 \u0434\u0435\u043b\u0430\u0435\u0442 \u043d\u0438 \u043e\u0434\u0438\u043d \u0441\u043e\u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0439 \u0434\u0432\u0438\u0436\u043e\u043a. vLLM \u043f\u0440\u0438 \u0441\u0442\u0430\u0440\u0442\u0435 \u0440\u0435\u0437\u0435\u0440\u0432\u0438\u0440\u0443\u0435\u0442 \u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u043a\u0443\u0441\u043e\u043a VRAM \u043f\u043e\u0434 \u043f\u0443\u043b \u0438 \u043f\u0435\u0439\u0434\u0436\u0438\u0442 KV \u0432\u043d\u0443\u0442\u0440\u044c \u043d\u0435\u0433\u043e \u2014 \u0444\u043b\u0430\u0433 <code>gpu_memory_utilization<\/code>, \u0434\u0435\u0444\u043e\u043b\u0442 <code>0.92<\/code>. \u0423 SGLang \u0442\u043e \u0436\u0435 \u0437\u043e\u0432\u0451\u0442\u0441\u044f <code>mem_fraction_static<\/code> (\u043f\u043e \u0443\u043c\u043e\u043b\u0447\u0430\u043d\u0438\u044e \u0430\u0432\u0442\u043e, \u043e\u043a\u043e\u043b\u043e 0.9), \u0443 TensorRT-LLM \u2014 <code>kv_cache_free_gpu_mem_fraction<\/code>. \u0412\u0435\u0441\u0430 \u0433\u0440\u0443\u0437\u044f\u0442\u0441\u044f \u0432\u043d\u0443\u0442\u0440\u044c \u044d\u0442\u043e\u0433\u043e \u043a\u0443\u0441\u043a\u0430, KV \u0436\u0438\u0432\u0451\u0442 \u0432 \u043e\u0441\u0442\u0430\u0442\u043a\u0435 \u043f\u043e\u0441\u043b\u0435 \u0432\u0435\u0441\u043e\u0432 \u0438 overhead; \u0441\u0432\u043e\u0431\u043e\u0434\u043d\u044b\u0435 ~8% VRAM \u043f\u043e\u0434 KV \u043d\u0435 \u043f\u043e\u0439\u0434\u0443\u0442 \u043d\u0438\u043a\u043e\u0433\u0434\u0430.<\/p>\n<p>\u0401\u043c\u043a\u043e\u0441\u0442\u044c KV-\u043f\u0443\u043b\u0430 \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0441\u0447\u0438\u0442\u0430\u0435\u0442\u0441\u044f \u0442\u0430\u043a:<\/p>\n<pre><code>KV-\u043f\u0443\u043b = util \u00b7 VRAM \u2212 \u0432\u0435\u0441\u0430 \u2212 overhead<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u0415\u0441\u043b\u0438 \u0432\u044b \u0433\u043e\u043d\u044f\u0435\u0442\u0435 vLLM \u0432 \u043f\u0440\u043e\u0434\u0435, \u044d\u0442\u0443 \u0434\u043e\u043b\u044e \u0432\u044b \u0438 \u0442\u0430\u043a \u0434\u0435\u0440\u0436\u0438\u0442\u0435 \u0432 \u0433\u043e\u043b\u043e\u0432\u0435: <code>gpu_memory_utilization<\/code> \u0432\u044b \u0437\u0430\u0434\u0430\u0451\u0442\u0435 \u0441\u0430\u043c\u0438, \u0430 \u0437\u0430\u0447\u0435\u043c \u043f\u0443\u043b \u0432\u044b\u0434\u0435\u043b\u044f\u0435\u0442\u0441\u044f \u043e\u0434\u043d\u0438\u043c \u043a\u0443\u0441\u043a\u043e\u043c, \u043e\u0431\u044a\u044f\u0441\u043d\u044f\u0435\u0442 PagedAttention (<a href=\"https:\/\/arxiv.org\/abs\/2309.06180\" rel=\"noopener nofollow\">arXiv:2309.06180<\/a>).<\/p>\n<p>\u041f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c, \u0447\u0442\u043e \u043f\u0443\u043b \u043f\u043e\u0441\u0447\u0438\u0442\u0430\u043d \u0432\u0435\u0440\u043d\u043e, \u043c\u043e\u0436\u043d\u043e \u043d\u0435 \u0430\u0440\u0435\u043d\u0434\u0443\u044f GPU. vLLM \u043f\u0440\u0438 \u0441\u0442\u0430\u0440\u0442\u0435 \u043f\u0435\u0447\u0430\u0442\u0430\u0435\u0442 \u0441\u0442\u0440\u043e\u043a\u0443 <code># GPU blocks: N<\/code>. \u042d\u0442\u043e \u0438 \u0435\u0441\u0442\u044c \u0440\u0430\u0437\u043c\u0435\u0440 KV-\u043f\u0443\u043b\u0430. ridgepoint \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442 \u0442\u043e \u0436\u0435 \u0447\u0438\u0441\u043b\u043e \u0437\u0430\u0440\u0430\u043d\u0435\u0435:<\/p>\n<figure class=\"\"><img decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/\/post_images\/e7d\/514\/3b4\/e7d5143b4db6969826a62d533446cf6f.png\" alt=\"ridgepoint fit llama-3-8b\" sizes=\"(max-width: 780px) 100vw, 50vw\" srcset=\"https:\/\/habrastorage.org\/r\/w780\/getpro\/habr\/\/post_images\/e7d\/514\/3b4\/e7d5143b4db6969826a62d533446cf6f.png 780w,&#10;       https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/\/post_images\/e7d\/514\/3b4\/e7d5143b4db6969826a62d533446cf6f.png 781w\" loading=\"lazy\" decode=\"async\"\/><\/p>\n<div><figcaption>ridgepoint fit llama-3-8b<\/figcaption><\/div>\n<\/figure>\n<p>llama-3-8b, 1\u00d7 A100, ctx 8192: \u043d\u0430\u0438\u0432\u043d\u0430\u044f \u0444\u043e\u0440\u043c\u0443\u043b\u0430 \u0431\u0435\u0437 util \u043e\u0431\u0435\u0449\u0430\u0435\u0442 ~60 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432; \u0441 \u043f\u043e\u043f\u0440\u0430\u0432\u043a\u043e\u0439 \u043d\u0430 util \u2014 54, \u0437\u0430\u043c\u0435\u0440 vLLM \u2014 <strong>55<\/strong>. \u0422\u043e\u0442 \u0441\u0430\u043c\u044b\u0439 \u043c\u043d\u043e\u0436\u0438\u0442\u0435\u043b\u044c, \u0447\u0442\u043e \u0432\u044b \u0438 \u0442\u0430\u043a \u0434\u0435\u0440\u0436\u0438\u0442\u0435 \u0432 \u0433\u043e\u043b\u043e\u0432\u0435. \u0421 \u043f\u0435\u0440\u0432\u043e\u0439 \u043e\u0448\u0438\u0431\u043a\u043e\u0439 \u0432\u0441\u0451.<\/p>\n<h3>\u041e\u0448\u0438\u0431\u043a\u0430 \u21162: \u0433\u0435\u043e\u043c\u0435\u0442\u0440\u0438\u044f KV, \u043a\u043e\u0442\u043e\u0440\u0443\u044e \u0432 \u0443\u043c\u0435 \u043d\u0435 \u043f\u043e\u0441\u0447\u0438\u0442\u0430\u0442\u044c<\/h3>\n<p>KV \u043d\u0430 \u0442\u043e\u043a\u0435\u043d \u0437\u0430\u0432\u0438\u0441\u0438\u0442 \u043e\u0442 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u044f, \u0438 \u043d\u0430 \u044d\u0442\u043e\u043c \u0441\u043f\u043e\u0442\u044b\u043a\u0430\u0435\u0442\u0441\u044f \u0431\u043e\u043b\u044c\u0448\u0438\u043d\u0441\u0442\u0432\u043e \u043a\u0430\u043b\u044c\u043a\u0443\u043b\u044f\u0442\u043e\u0440\u043e\u0432 (\u043b\u0443\u0447\u0448\u0438\u0435 \u2014 \u0432\u0440\u043e\u0434\u0435 apxml \u2014 MLA \u0432\u0441\u0451 \u0436\u0435 \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u044e\u0442). \u0423 \u043e\u0431\u044b\u0447\u043d\u043e\u0439 GQA-\u043c\u043e\u0434\u0435\u043b\u0438 \u0431\u0430\u0439\u0442\u044b \u043d\u0430 \u0442\u043e\u043a\u0435\u043d \u0441\u0447\u0438\u0442\u0430\u044e\u0442\u0441\u044f \u043a\u0430\u043a <code>2\u00b7n_kv\u00b7head_dim\u00b7L\u00b7p<\/code>. \u0423 DeepSeek \u0441 MLA \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435 \u0441\u0436\u0430\u0442\u043e \u0432 \u043b\u0430\u0442\u0435\u043d\u0442, \u0438 \u0444\u043e\u0440\u043c\u0443\u043b\u0430 \u0434\u0440\u0443\u0433\u0430\u044f: <code>(d_c + d_rope)\u00b7L\u00b7p<\/code>, \u0433\u0434\u0435 <code>d_c<\/code> \u2014 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c \u0441\u0436\u0430\u0442\u043e\u0433\u043e \u043b\u0430\u0442\u0435\u043d\u0442\u0430, <code>d_rope<\/code> \u2014 rope-\u0447\u0430\u0441\u0442\u044c.<\/p>\n<p>\u041f\u043e\u0441\u0447\u0438\u0442\u0430\u0435\u043c DeepSeek-V2-Lite \u0440\u0443\u043a\u0430\u043c\u0438, \u0438\u0437 \u0435\u0433\u043e <code>config.json<\/code>:<\/p>\n<pre><code>MLA (\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e):     (512 + 64)\u00b727\u00b72                = 31 104 \u0411\/\u0442\u043e\u043a\u0435\u043d\u043d\u0430\u0438\u0432\u043d\u0430\u044f \u0444\u043e\u0440\u043c\u0443\u043b\u0430:     2\u00b7n_kv(16)\u00b7head_dim\u00b727\u00b72   head_dim=128 (hidden\/heads):  \u2192 221 184 \u0411\/\u0442\u043e\u043a\u0435\u043d  = \u0437\u0430\u0432\u044b\u0448\u0435\u043d\u0438\u0435 7.1\u00d7   head_dim=192 (qk_nope+rope):  \u2192 331 776 \u0411\/\u0442\u043e\u043a\u0435\u043d  = \u0437\u0430\u0432\u044b\u0448\u0435\u043d\u0438\u0435 10.7\u00d7<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u041a\u0430\u043b\u044c\u043a\u0443\u043b\u044f\u0442\u043e\u0440, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0442\u0440\u0430\u043a\u0442\u0443\u0435\u0442 MLA \u043a\u0430\u043a \u043e\u0431\u044b\u0447\u043d\u043e\u0435 \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435, \u043f\u043e\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 <code>2\u00b7n_kv\u00b7head_dim<\/code>. \u0421\u043c\u043e\u0442\u0440\u044f \u043a\u0430\u043a\u043e\u0439 head_dim \u043e\u043d \u0432\u043e\u0437\u044c\u043c\u0451\u0442, KV \u0437\u0430\u0432\u044b\u0448\u0430\u0435\u0442\u0441\u044f \u0432 7\u201311 \u0440\u0430\u0437. \u0422\u043e\u0447\u043d\u044b\u0439 \u043c\u043d\u043e\u0436\u0438\u0442\u0435\u043b\u044c \u0437\u0430\u0432\u0438\u0441\u0438\u0442 \u043e\u0442 \u0435\u0433\u043e \u0434\u043e\u043f\u0443\u0449\u0435\u043d\u0438\u044f, \u043d\u043e \u043f\u043e\u0440\u044f\u0434\u043e\u043a \u043e\u0434\u0438\u043d, \u0438 \u043e\u043d \u0437\u0430\u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d \u0432 \u0441\u0430\u043c\u043e\u0439 DeepSeek-V2 (<a href=\"https:\/\/arxiv.org\/abs\/2405.04434\" rel=\"noopener nofollow\">arXiv:2405.04434<\/a>): MLA \u0441\u0436\u0438\u043c\u0430\u0435\u0442 KV \u0432 \u0440\u0430\u0437\u044b. \u0418 \u043f\u0440\u043e\u043c\u0430\u0445 \u0442\u0443\u0442 \u0432 \u043e\u0431\u0440\u0430\u0442\u043d\u0443\u044e \u0441\u0442\u043e\u0440\u043e\u043d\u0443 \u043e\u0442 \u043f\u0435\u0440\u0432\u043e\u0439 \u043e\u0448\u0438\u0431\u043a\u0438: \u0432\u044b \u0440\u0435\u0448\u0438\u0442\u0435, \u0447\u0442\u043e \u043c\u043e\u0434\u0435\u043b\u044c \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u043f\u043e\u0447\u0442\u0438 \u043d\u0430 \u043f\u043e\u0440\u044f\u0434\u043e\u043a \u0431\u043e\u043b\u044c\u0448\u0435 \u043a\u0430\u0440\u0442, \u0437\u0440\u044f \u043e\u0442\u043a\u0430\u0436\u0435\u0442\u0435\u0441\u044c \u0435\u0451 \u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0438\u043b\u0438 \u0430\u0440\u0435\u043d\u0434\u0443\u0435\u0442\u0435 \u0441\u0442\u043e\u0439\u043a\u0443 \u0432\u043c\u0435\u0441\u0442\u043e \u043e\u0434\u043d\u043e\u0439 GPU.<\/p>\n<p>\u0421 MoE \u0442\u0430 \u0436\u0435 \u043b\u043e\u0432\u0443\u0448\u043a\u0430: \u0443 DeepSeek-V2-Lite \u0432\u0435\u0441\u0430 16B (total), \u0430 \u0430\u043a\u0442\u0438\u0432\u043d\u044b 2B. \u041f\u0430\u043c\u044f\u0442\u044c \u043f\u043b\u0430\u0442\u0438\u0442\u0435 \u0437\u0430 16, \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c \u0441\u0447\u0438\u0442\u0430\u0435\u0442\u0435 \u043f\u043e 2, \u043f\u0435\u0440\u0435\u043f\u0443\u0442\u0430\u0442\u044c \u043b\u0435\u0433\u043a\u043e.<\/p>\n<p>\u041e\u043f\u0438\u0440\u0430\u044e\u0441\u044c \u044f \u0442\u0443\u0442 \u043d\u0430 \u0438\u0437\u043c\u0435\u0440\u0435\u043d\u043d\u043e\u0435: \u043d\u0430\u0441\u0442\u043e\u044f\u0449\u0438\u0435 31 104 \u0411\/\u0442\u043e\u043a\u0435\u043d \u0441\u043d\u044f\u0442\u044b \u0441 \u0436\u0438\u0432\u043e\u0433\u043e vLLM (40.79 \u0413\u0438\u0411 \/ 1 408 144 \u0442\u043e\u043a\u0435\u043d\u043e\u0432), \u0430 <code>(512+64)\u00b727\u00b72<\/code> \u0441\u0432\u0435\u0440\u044c\u0442\u0435 \u0441\u0430\u043c\u0438. \u0418\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u0431\u0435\u0440\u0451\u0442 \u043b\u044e\u0431\u043e\u0439 <code>org\/model<\/code> \u0441 HuggingFace, \u0447\u0438\u0442\u0430\u0435\u0442 \u043a\u043e\u043d\u0444\u0438\u0433 \u0438 \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u0435\u0442 \u0444\u043e\u0440\u043c\u0443\u043b\u0443 \u043f\u043e\u0434 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u0443\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443 (GQA, MLA, MoE \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044f\u044e\u0442\u0441\u044f \u0441\u0430\u043c\u0438):<\/p>\n<figure class=\"\"><img decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/\/post_images\/a50\/d6e\/189\/a50d6e1894bc08939c8deb9cb31cdf80.png\" alt=\"ridgepoint fit DeepSeek-V2-Lite\" sizes=\"(max-width: 780px) 100vw, 50vw\" srcset=\"https:\/\/habrastorage.org\/r\/w780\/getpro\/habr\/\/post_images\/a50\/d6e\/189\/a50d6e1894bc08939c8deb9cb31cdf80.png 780w,&#10;       https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/\/post_images\/a50\/d6e\/189\/a50d6e1894bc08939c8deb9cb31cdf80.png 781w\" loading=\"lazy\" decode=\"async\"\/><\/p>\n<div><figcaption>ridgepoint fit DeepSeek-V2-Lite<\/figcaption><\/div>\n<\/figure>\n<p>\u0420\u0430\u0434\u0438 \u044d\u0442\u043e\u0433\u043e \u0441\u043b\u0443\u0447\u0430\u044f \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u0438 \u043f\u0438\u0441\u0430\u043b\u0441\u044f.<\/p>\n<h3>\u041d\u0430\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0447\u0438\u0441\u043b\u0430\u043c \u043c\u043e\u0436\u043d\u043e \u0432\u0435\u0440\u0438\u0442\u044c<\/h3>\n<p>\u041d\u0430\u0438\u0432\u043d\u0430\u044f \u043f\u0440\u0438\u043a\u0438\u0434\u043a\u0430, ridgepoint \u0438 \u0436\u0438\u0432\u043e\u0439 vLLM (\u0437\u0430\u043c\u0435\u0440 \u043d\u0430 RunPod, vLLM 0.28, util 0.90):<\/p>\n<div>\n<div class=\"table\">\n<table>\n<tbody>\n<tr>\n<th>\n<p align=\"left\">1\u00d7 A100-80GB, ctx 8192<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u043d\u0430\u0438\u0432\u043d\u043e<\/p>\n<\/th>\n<th>\n<p align=\"left\">ridgepoint<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0437\u0430\u043c\u0435\u0440 vLLM<\/p>\n<\/th>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">llama-3-8b (GQA)<\/p>\n<\/td>\n<td>\n<p align=\"left\">~60<\/p>\n<\/td>\n<td>\n<p align=\"left\">54<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>55<\/strong><\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">DeepSeek-V2-Lite (MLA\u00b7MoE)<\/p>\n<\/td>\n<td>\n<p align=\"left\">GQA-\u0444\u043e\u0440\u043c\u0443\u043b\u0430 \u2192 16\u201324<\/p>\n<\/td>\n<td>\n<p align=\"left\">171<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>172<\/strong><\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">llama-3-70b AWQ<\/p>\n<\/td>\n<td>\n<p align=\"left\">~15<\/p>\n<\/td>\n<td>\n<p align=\"left\">12<\/p>\n<\/td>\n<td>\n<p align=\"left\"><strong>13<\/strong><\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n<p>\u041e\u0433\u043e\u0432\u043e\u0440\u044e \u0440\u0430\u043c\u043a\u0438. \u041f\u0430\u043c\u044f\u0442\u044c \u044f \u0441\u0432\u0435\u0440\u044f\u043b \u0441 \u043b\u043e\u0433\u0430\u043c\u0438 vLLM \u0438 <code>nvidia-smi<\/code> \u043d\u0430 \u0447\u0435\u0442\u044b\u0440\u0451\u0445 \u043c\u043e\u0434\u0435\u043b\u044f\u0445 \u0442\u0440\u0451\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 (GQA, MLA, MoE) \u043d\u0430 A100, \u043f\u043b\u044e\u0441 \u043f\u0435\u0440\u0435\u043d\u043e\u0441 \u043d\u0430 H100: \u043f\u043e \u0431\u0430\u0439\u0442\u0430\u043c \u0440\u0430\u0441\u0445\u043e\u0436\u0434\u0435\u043d\u0438\u0435 1\u20134% \u0438 \u0432\u0441\u0435\u0433\u0434\u0430 \u0447\u0443\u0442\u044c \u043d\u0438\u0436\u0435 \u0437\u0430\u043c\u0435\u0440\u0430, \u0442\u043e \u0435\u0441\u0442\u044c \u043d\u0435\u0434\u043e\u043e\u0446\u0435\u043d\u0438\u0432\u0430\u044e. \u0421\u0447\u0451\u0442\u0447\u0438\u043a\u0438 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 \u0432 \u0442\u0430\u0431\u043b\u0438\u0446\u0435 \u043e\u043a\u0440\u0443\u0433\u043b\u0435\u043d\u044b \u0434\u043e \u0446\u0435\u043b\u043e\u0433\u043e, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0442\u0430\u043c \u0440\u0430\u0437\u0440\u044b\u0432 \u043c\u043e\u0436\u0435\u0442 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u0442\u044c \u043a\u0440\u0443\u043f\u043d\u0435\u0435 (12 \u043f\u0440\u043e\u0442\u0438\u0432 13 \u2014 \u044d\u0442\u043e \u0442\u0435 \u0436\u0435 \u0431\u0430\u0439\u0442\u044b). \u042d\u0442\u043e n=4, \u043d\u0435 \u0437\u0430\u043a\u043e\u043d \u043f\u0440\u0438\u0440\u043e\u0434\u044b; \u043f\u043e\u043b\u043d\u044b\u0439 predict-vs-measured \u043b\u0435\u0436\u0438\u0442 \u0432 \u0440\u0435\u043f\u043e\u0437\u0438\u0442\u043e\u0440\u0438\u0438 (<a href=\"https:\/\/github.com\/Isk4R1oT\/ridgepoint\/blob\/main\/calibration\/CALIBRATION.md\" rel=\"noopener nofollow\"><code>calibration\/CALIBRATION.md<\/code><\/a>). \u041f\u043e\u0431\u0430\u0439\u0442\u043e\u0432\u044b\u0439 KV \u0442\u043e\u0447\u0435\u043d \u0430\u0440\u0438\u0444\u043c\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u0438, \u0435\u0441\u043b\u0438 \u0432\u0435\u0440\u043d\u043e \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0430 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u2014 \u0440\u043e\u0432\u043d\u043e \u044d\u0442\u043e \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u0438 \u0434\u0435\u043b\u0430\u0435\u0442 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442. \u0418\u043d\u0442\u0435\u0440\u0432\u0430\u043b overhead (<code>1.5\u00b71.8\u00b72.2<\/code> \u0432 \u0432\u044b\u0432\u043e\u0434\u0435 \u2014 \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 \u043f\u043b\u044e\u0441 CUDA-\u0433\u0440\u0430\u0444\u044b) \u0443\u0436\u0435 \u044d\u043c\u043f\u0438\u0440\u0438\u043a\u0430, \u0435\u0451 \u044f \u0438 \u043a\u0430\u043b\u0438\u0431\u0440\u043e\u0432\u0430\u043b, \u043e\u0442\u0441\u044e\u0434\u0430 \u043f\u043e\u043b\u043e\u0441\u0430 low\/best\/high. \u0414\u0435\u0444\u043e\u043b\u0442 vLLM \u0441 \u0442\u0435\u0445 \u043f\u043e\u0440 \u0443\u0435\u0445\u0430\u043b \u0441 0.90 \u043d\u0430 0.92, \u0437\u043d\u0430\u0447\u0438\u0442 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0439 \u043f\u0443\u043b \u0447\u0443\u0442\u044c \u0431\u043e\u043b\u044c\u0448\u0435 \u043c\u043e\u0438\u0445 \u0447\u0438\u0441\u0435\u043b \u2014 \u044f \u0438 \u0437\u0434\u0435\u0441\u044c \u043d\u0435\u0434\u043e\u043e\u0446\u0435\u043d\u0438\u0432\u0430\u044e.<\/p>\n<h3>\u0413\u0434\u0435 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u043d\u0435 \u043f\u043e\u043c\u043e\u0433\u0430\u0435\u0442<\/h3>\n<p>\u0421\u043a\u043e\u0440\u043e\u0441\u0442\u044c. TTFT \u0438 \u0443\u0442\u0438\u043b\u0438\u0437\u0430\u0446\u0438\u044e \u043a\u043e\u043c\u043f\u044c\u044e\u0442\u0430 (MFU, model FLOPs utilization) \u0437\u0430\u043c\u0435\u0440\u0438\u0442\u044c \u0447\u0438\u0441\u0442\u043e \u043d\u0435 \u0432\u044b\u0448\u043b\u043e: \u0443\u0434\u0430\u043b\u0451\u043d\u043d\u044b\u0439 \u0431\u0435\u043d\u0447\u043c\u0430\u0440\u043a \u043c\u0435\u0448\u0430\u0435\u0442 \u043f\u0440\u0435\u0444\u0438\u043b\u043b \u0441 \u0441\u0435\u0442\u044c\u044e, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0432 \u0432\u044b\u0432\u043e\u0434\u0435 \u043e\u043d\u0438 \u043f\u043e\u043c\u0435\u0447\u0435\u043d\u044b <code>~MFU literature<\/code> \u2014 \u0446\u0438\u0444\u0440\u044b \u0438\u0437 \u043b\u0438\u0442\u0435\u0440\u0430\u0442\u0443\u0440\u044b, \u0441\u0430\u043c \u044f \u0438\u0445 \u043d\u0435 \u043c\u0435\u0440\u0438\u043b. \u041f\u0440\u043e\u043f\u0443\u0441\u043a\u043d\u0443\u044e \u0441\u043f\u043e\u0441\u043e\u0431\u043d\u043e\u0441\u0442\u044c \u043f\u0430\u043c\u044f\u0442\u0438 \u043f\u0440\u0438 \u0434\u0435\u043a\u043e\u0434\u0435 (MBU, memory-bandwidth utilization \u2248 0.62) \u043f\u043e\u043c\u0435\u0440\u0438\u043b, \u044d\u0442\u043e\u0439 \u0446\u0438\u0444\u0440\u0435 \u0432\u0435\u0440\u044e. Throughput \u043f\u043e\u0434 \u0441\u043c\u0435\u0448\u0430\u043d\u043d\u043e\u0439 \u043d\u0430\u0433\u0440\u0443\u0437\u043a\u043e\u0439 (<code>--max-num-seqs<\/code>, \u0440\u0430\u0437\u043d\u044b\u0435 \u0434\u043b\u0438\u043d\u044b) v0 \u043d\u0435 \u0441\u0447\u0438\u0442\u0430\u0435\u0442, \u044d\u0442\u043e \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0430\u044f \u0432\u0435\u0440\u0441\u0438\u044f. \u0418 \u0447\u0438\u0441\u043b\u0430 \u043f\u043e\u043a\u0430 \u043a\u0430\u043b\u0438\u0431\u0440\u043e\u0432\u0430\u043d\u044b \u043d\u0430 vLLM: SGLang \u0441 TensorRT-LLM \u043f\u0435\u0439\u0434\u0436\u0430\u0442 KV \u0432 \u0442\u0430\u043a\u043e\u0439 \u0436\u0435 \u043f\u0443\u043b, \u043d\u043e \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b \u043f\u043e\u0434 \u043d\u0438\u0445 \u044f \u0435\u0449\u0451 \u043d\u0435 \u043c\u0435\u0440\u0438\u043b.<\/p>\n<h3>\u0427\u0442\u043e \u043f\u043e\u043a\u0430\u0437\u0430\u043b \u043f\u0440\u043e\u0433\u043e\u043d<\/h3>\n<p>\u0412\u0437\u044f\u043b \u0442\u043e, \u0447\u0442\u043e \u0432\u0438\u0434\u0438\u0442 \u043e\u0431\u044b\u0447\u043d\u044b\u0439 \u0447\u0435\u043b\u043e\u0432\u0435\u043a \u0432 \u0432\u044b\u0434\u0430\u0447\u0435 \u2014 \u0438 pre-grab \u0434\u0432\u0438\u0436\u043a\u0430 \u043d\u0435 \u043c\u043e\u0434\u0435\u043b\u0438\u0440\u0443\u0435\u0442 \u043d\u0438\u043a\u0442\u043e, \u0434\u0430\u0436\u0435 \u043b\u0443\u0447\u0448\u0438\u0439 \u0438\u0437 \u043d\u0438\u0445.<\/p>\n<div>\n<div class=\"table\">\n<table>\n<tbody>\n<tr>\n<th>\n<p align=\"left\">\u043a\u0430\u043b\u044c\u043a\u0443\u043b\u044f\u0442\u043e\u0440<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0434\u0432\u0438\u0436\u043e\u043a (pre-grab)<\/p>\n<\/th>\n<th>\n<p align=\"left\">MLA<\/p>\n<\/th>\n<th>\n<p align=\"left\">overhead<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u00ab\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0432\u043b\u0435\u0437\u0435\u0442\u00bb<\/p>\n<\/th>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><a href=\"https:\/\/apxml.com\/tools\/vram-calculator\" rel=\"noopener nofollow\">apxml<\/a> (\u0442\u043e\u043f-1)<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u274c<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u2705<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u2705<\/p>\n<\/td>\n<td>\n<p align=\"left\">concurrency \u0432\u0432\u043e\u0434\u0438\u0448\u044c \u0442\u044b<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><a href=\"https:\/\/huggingface.co\/spaces\/NyxKrage\/LLM-Model-VRAM-Calculator\" rel=\"noopener nofollow\">NyxKrage<\/a> (513 \u2665)<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u274c<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u274c<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u274c<\/p>\n<\/td>\n<td>\n<p align=\"left\">batch \u043d\u0430 \u0432\u0445\u043e\u0434<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><a href=\"https:\/\/smcleod.net\/vram-estimator\/\" rel=\"noopener nofollow\">smcleod<\/a><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u274c<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u274c<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u274c<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u274c (\u043e\u0434\u0438\u043d \u043f\u043e\u0442\u043e\u043a)<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\"><strong>ridgepoint<\/strong><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u2705<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u2705<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u2705<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u2705 \u0438\u0437 \u043f\u0443\u043b\u0430 \u0434\u0432\u0438\u0436\u043a\u0430<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n<p>apxml \u0440\u0435\u0430\u043b\u044c\u043d\u043e \u0441\u0438\u043b\u0451\u043d: \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u0451\u0442 MLA, \u0441\u0447\u0438\u0442\u0430\u0435\u0442 framework overhead, \u0443\u043c\u0435\u0435\u0442 KV-\u043a\u0432\u0430\u043d\u0442. \u041d\u043e <code>Concurrent Users<\/code> \u2014 \u044d\u0442\u043e \u043f\u043e\u043b\u0437\u0443\u043d\u043e\u043a \u043d\u0430 \u0432\u0445\u043e\u0434, \u0430 \u043f\u0430\u043c\u044f\u0442\u044c \u043e\u043d \u0441\u043a\u043b\u0430\u0434\u044b\u0432\u0430\u0435\u0442 \u043a\u0430\u043a \u00ab\u0432\u0435\u0441\u0430 + \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 + KV + overhead &lt; VRAM\u00bb. \u0427\u0442\u043e vLLM \u0437\u0430\u0431\u0435\u0440\u0451\u0442 <code>gpu_memory_utilization<\/code> \u0437\u0430\u0440\u0430\u043d\u0435\u0435 \u0438 \u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 \u0432\u043b\u0435\u0437\u0435\u0442 \u0432 \u043e\u0441\u0442\u0430\u0432\u0448\u0438\u0439\u0441\u044f \u043f\u0443\u043b \u2014 \u043d\u0435 \u043c\u043e\u0434\u0435\u043b\u0438\u0440\u0443\u0435\u0442.<\/p>\n<figure class=\"\"><img decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/\/post_images\/b54\/2a6\/e73\/b542a6e73738420d70bc3d8c88daf812.png\" alt=\"apxml: MLA \u0438 overhead \u0435\u0441\u0442\u044c, \u043d\u043e concurrency \u2014 \u043d\u0430 \u0432\u0445\u043e\u0434, \u0430 pre-grab \u0434\u0432\u0438\u0436\u043a\u0430 \u043d\u0435 \u0443\u0447\u0438\u0442\u044b\u0432\u0430\u0435\u0442\u0441\u044f\" sizes=\"(max-width: 780px) 100vw, 50vw\" srcset=\"https:\/\/habrastorage.org\/r\/w780\/getpro\/habr\/\/post_images\/b54\/2a6\/e73\/b542a6e73738420d70bc3d8c88daf812.png 780w,&#10;       https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/\/post_images\/b54\/2a6\/e73\/b542a6e73738420d70bc3d8c88daf812.png 781w\" loading=\"lazy\" decode=\"async\"\/><\/p>\n<div><figcaption>apxml: MLA \u0438 overhead \u0435\u0441\u0442\u044c, \u043d\u043e concurrency \u2014 \u043d\u0430 \u0432\u0445\u043e\u0434, \u0430 pre-grab \u0434\u0432\u0438\u0436\u043a\u0430 \u043d\u0435 \u0443\u0447\u0438\u0442\u044b\u0432\u0430\u0435\u0442\u0441\u044f<\/figcaption><\/div>\n<\/figure>\n<p>smcleod \u0438 NyxKrage \u043f\u0440\u043e\u0449\u0435: <code>Model + KV = Total<\/code>, \u0431\u0435\u0437 overhead \u0438 \u0431\u0435\u0437 MLA (\u0437\u043d\u0430\u0447\u0438\u0442, \u043d\u0430 DeepSeek \u2014 \u0442\u0435 \u0441\u0430\u043c\u044b\u0435 7\u201311\u00d7). \u041f\u0440\u043e\u0432\u0435\u0440\u044c\u0442\u0435 \u0441\u0430\u043c\u0438 \u0437\u0430 \u043c\u0438\u043d\u0443\u0442\u0443 \u043f\u043e \u0441\u0441\u044b\u043b\u043a\u0430\u043c.<\/p>\n<figure class=\"\"><img decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/\/post_images\/2d2\/701\/8b9\/2d27018b9677795840c1c8ebc7722d52.png\" alt=\"smcleod: \u00abModel + KV = Total\u00bb \u2014 \u043d\u0438 overhead, \u043d\u0438 \u0434\u0432\u0438\u0436\u043a\u0430\" sizes=\"(max-width: 780px) 100vw, 50vw\" srcset=\"https:\/\/habrastorage.org\/r\/w780\/getpro\/habr\/\/post_images\/2d2\/701\/8b9\/2d27018b9677795840c1c8ebc7722d52.png 780w,&#10;       https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/\/post_images\/2d2\/701\/8b9\/2d27018b9677795840c1c8ebc7722d52.png 781w\" loading=\"lazy\" decode=\"async\"\/><\/p>\n<div><figcaption>smcleod: \u00abModel + KV = Total\u00bb \u2014 \u043d\u0438 overhead, \u043d\u0438 \u0434\u0432\u0438\u0436\u043a\u0430<\/figcaption><\/div>\n<\/figure>\n<p>\u0418 \u044d\u0442\u043e \u043d\u0435 \u043f\u0440\u043e \u00ab\u0441\u0442\u0430\u0440\u044c\u0451\u00bb: \u043c\u0435\u0445\u0430\u043d\u0438\u0437\u043c \u043f\u0443\u0431\u043b\u0438\u0447\u0435\u043d \u0441 <a href=\"https:\/\/arxiv.org\/abs\/2309.06180\" rel=\"noopener nofollow\">PagedAttention<\/a> (2023), \u0430 \u0442\u0443\u043b\u044b 2026 \u0433\u043e\u0434\u0430 \u0435\u0433\u043e \u0432\u0441\u0451 \u0440\u0430\u0432\u043d\u043e \u043d\u0435 \u0431\u0435\u0440\u0443\u0442.<\/p>\n<h3>\u041f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u0442\u044c \u043d\u0430 \u0441\u0432\u043e\u0451\u043c. GPU \u043d\u0435 \u043d\u0443\u0436\u0435\u043d<\/h3>\n<pre><code class=\"bash\">pip install ridgepointridgepoint fit deepseek-ai\/DeepSeek-V2-Lite --gpu h100-80gb:1 --ctx 8192<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u0421\u0447\u0438\u0442\u0430\u0435\u0442 \u043b\u043e\u043a\u0430\u043b\u044c\u043d\u043e, \u043d\u0430 \u043d\u043e\u0443\u0442\u0431\u0443\u043a\u0435: \u0442\u044f\u043d\u0435\u0442 \u0441 HuggingFace \u0442\u043e\u043b\u044c\u043a\u043e <code>config.json<\/code> \u0438 \u0438\u043d\u0434\u0435\u043a\u0441 <code>safetensors<\/code> (\u043f\u0430\u0440\u0430 \u041a\u0411), \u0431\u043e\u043b\u044c\u0448\u0435 \u043d\u0438\u0447\u0435\u0433\u043e \u043d\u0438\u043a\u0443\u0434\u0430 \u043d\u0435 \u0443\u0445\u043e\u0434\u0438\u0442 (<code>python\/ridgepoint\/hf.py<\/code>). \u0416\u0435\u0447\u044c GPU-\u0447\u0430\u0441\u044b \u043d\u0435 \u043d\u0443\u0436\u043d\u043e.<\/p>\n<p>\u0414\u0430\u043b\u044c\u0448\u0435 \u043f\u043e\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0439\u0442\u0435 \u0447\u0442\u043e \u043d\u0443\u0436\u043d\u043e. \u041b\u044e\u0431\u043e\u0439 HF-\u0440\u0435\u043f\u043e\u0437\u0438\u0442\u043e\u0440\u0438\u0439 \u043f\u043e\u0434\u0442\u044f\u043d\u0435\u0442 \u043a\u043e\u043d\u0444\u0438\u0433 \u0441\u0430\u043c. \u041a\u0430\u0440\u0442\u0430 \u0437\u0430\u0434\u0430\u0451\u0442\u0441\u044f \u0444\u043b\u0430\u0433\u043e\u043c <code>--gpu a100-80gb:1<\/code> \u0438\u043b\u0438 <code>h100-80gb:2<\/code>, \u0430 <code>ridgepoint devices<\/code> \u043d\u0430\u0439\u0434\u0451\u0442 \u043b\u043e\u043a\u0430\u043b\u044c\u043d\u044b\u0435. \u0414\u0432\u0438\u0436\u043e\u043a \u2014 <code>--engine vllm|sglang|llamacpp<\/code>; SGLang \u0443\u0436\u0435 \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 (\u043f\u0443\u043b \u0442\u043e\u0442 \u0436\u0435 pre-grab), \u043d\u043e \u043f\u043e\u043c\u0435\u0447\u0435\u043d <code>uncalibrated<\/code> \u2014 \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b \u043f\u043e\u0434 \u043d\u0435\u0433\u043e \u043d\u0430 \u0436\u0435\u043b\u0435\u0437\u0435 \u044f \u0435\u0449\u0451 \u043d\u0435 \u043c\u0435\u0440\u0438\u043b. \u0415\u0441\u043b\u0438 \u0443\u0434\u043e\u0431\u043d\u0435\u0435 \u0438\u0437 \u043a\u043e\u0434\u0430 \u2014 \u0435\u0441\u0442\u044c \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u0447\u043d\u044b\u0439 \u0432\u044b\u0437\u043e\u0432 <code>ridgepoint.fit(\"llama-3-70b\", \"a100-80gb\", count=2)<\/code>.<\/p>\n<p>\u042f\u0434\u0440\u043e \u043d\u0430 Rust \u0441\u0447\u0438\u0442\u0430\u0435\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u0447\u0438\u0441\u043b\u0430 \u0438 \u0432 \u0441\u0435\u0442\u044c \u043d\u0435 \u0445\u043e\u0434\u0438\u0442. HF-\u0430\u0434\u0430\u043f\u0442\u0435\u0440 \u0436\u0438\u0432\u0451\u0442 \u0441\u043d\u0430\u0440\u0443\u0436\u0438, \u043d\u0430 Python.<\/p>\n<h3>\u0427\u0442\u043e \u0434\u0430\u043b\u044c\u0448\u0435<\/h3>\n<p>v0 \u0443\u0437\u043a\u0438\u0439: \u043f\u0430\u043c\u044f\u0442\u044c \u0438 \u0451\u043c\u043a\u043e\u0441\u0442\u044c, \u043f\u043e\u043a\u0430 \u0434\u0432\u0430 \u0434\u0432\u0438\u0436\u043a\u0430 (vLLM \u0438 llama.cpp). \u041d\u043e \u0432\u043d\u0443\u0442\u0440\u0438 \u0443\u0436\u0435 \u043d\u0435 \u043d\u0430\u0438\u0432\u043d\u043e \u2014 \u0432\u0435\u0441\u0430 \u0438 KV-\u043a\u044d\u0448 \u043a\u0432\u0430\u043d\u0442\u0443\u044e\u0442\u0441\u044f \u0440\u0430\u0437\u0434\u0435\u043b\u044c\u043d\u043e (<code>--kv-cache-dtype fp8<\/code> \u0432\u0434\u0432\u043e\u0435 \u0443\u0432\u0435\u043b\u0438\u0447\u0438\u0432\u0430\u0435\u0442 KV-\u0451\u043c\u043a\u043e\u0441\u0442\u044c \u043f\u0443\u043b\u0430; \u043a\u0442\u043e \u0441\u0442\u0430\u0432\u0438\u0442 fp4-\u0432\u0435\u0441\u0430 \u043f\u0440\u0438 fp16-\u043a\u0435\u0448\u0435, \u043e\u0431\u044b\u0447\u043d\u043e \u044d\u0442\u043e\u0433\u043e \u043d\u0435 \u043e\u0441\u043e\u0437\u043d\u0430\u0451\u0442), \u0430 MLA\/MoE\/GQA \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044f\u044e\u0442\u0441\u044f \u0441\u0430\u043c\u0438. \u0412 \u043e\u0447\u0435\u0440\u0435\u0434\u0438, \u043f\u043e \u043e\u0434\u043d\u043e\u043c\u0443 \u0438\u0437\u043c\u0435\u0440\u0435\u043d\u043d\u043e\u043c\u0443 \u043a\u0443\u0441\u043a\u0443 \u0437\u0430 \u0440\u0435\u043b\u0438\u0437:<\/p>\n<ul>\n<li>\n<p>\u0414\u043e\u043a\u0430\u043b\u0438\u0431\u0440\u043e\u0432\u0430\u0442\u044c \u0434\u0432\u0438\u0436\u043a\u0438 \u043d\u0430 \u0436\u0435\u043b\u0435\u0437\u0435. SGLang \u0443\u0436\u0435 \u0437\u0430\u043f\u0443\u0441\u043a\u0430\u0435\u0442\u0441\u044f (<code>--engine sglang<\/code>), \u043d\u043e \u043f\u043e\u043a\u0430 <code>uncalibrated<\/code> \u2014 \u0441 \u043d\u0435\u0433\u043e \u0438 \u043d\u0430\u0447\u043d\u0443 (\u0441\u0430\u043c \u0435\u0433\u043e \u043f\u0440\u0435\u0434\u043f\u043e\u0447\u0438\u0442\u0430\u044e), \u0434\u0430\u043b\u044c\u0448\u0435 TensorRT-LLM \u0438 TGI. \u041f\u0443\u043b \u0443 \u0432\u0441\u0435\u0445 \u043e\u0434\u0438\u043d \u0438 \u0442\u043e\u0442 \u0436\u0435 pre-grab, \u043e\u0442\u043b\u0438\u0447\u0430\u044e\u0442\u0441\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b.<\/p>\n<\/li>\n<li>\n<p>\u041f\u043e\u043b\u043d\u044b\u0439 \u0448\u043a\u0430\u0444 \u0436\u0435\u043b\u0435\u0437\u0430 \u0438 \u043a\u0432\u0430\u043d\u0442\u043e\u0432: Blackwell, H200, MI300X, NVLink. \u0417\u0430\u043e\u0434\u043d\u043e \u043f\u043e\u043a\u0430\u0436\u0443, \u043a\u0430\u043a FP8\/FP4 \u0434\u0432\u0438\u0433\u0430\u044e\u0442 \u043e\u0431\u0435 \u043e\u0441\u0438 roofline \u2014 \u0431\u0430\u0439\u0442\u044b \u0432\u0435\u0441\u043e\u0432 \u0432\u043d\u0438\u0437 \u0438 \u043f\u0438\u043a\u043e\u0432\u044b\u0435 FLOPs \u0432\u0432\u0435\u0440\u0445.<\/p>\n<\/li>\n<li>\n<p>\u0421\u043a\u043e\u0440\u043e\u0441\u0442\u044c \u0437\u0430\u043c\u0435\u0440\u043e\u043c \u043d\u0430 \u043f\u043e\u0434\u0435, \u0430 \u043d\u0435 \u0438\u0437 \u043b\u0438\u0442\u0435\u0440\u0430\u0442\u0443\u0440\u044b. \u0421\u0435\u0439\u0447\u0430\u0441 \u0432 \u0432\u044b\u0432\u043e\u0434\u0435 \u0442\u0430\u043c \u0437\u0430\u0433\u043b\u0443\u0448\u043a\u0430 <code>~MFU literature<\/code>, \u0432\u044b \u0435\u0451 \u0432\u0438\u0434\u0435\u043b\u0438.<\/p>\n<\/li>\n<li>\n<p>\u041d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e GPU: TP\/PP\/EP. \u0412 \u0437\u0430\u043c\u0435\u0440\u0430\u0445 \u0443\u0436\u0435 \u0432\u0438\u0436\u0443, \u0447\u0442\u043e \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 \u0448\u0430\u0440\u0434\u044f\u0442\u0441\u044f, \u0430 CUDA-\u0433\u0440\u0430\u0444\u044b \u043d\u0430 \u043a\u0430\u0440\u0442\u0443 \u043d\u0435\u0442.<\/p>\n<\/li>\n<li>\n<p>\u0421\u043f\u0435\u043a-\u0434\u0435\u043a\u043e\u0434\u0438\u043d\u0433. \u041e\u043d \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0438\u0442 decode \u0438\u0437 memory-bound \u0432 compute-bound, \u0442\u0430\u0449\u0438\u0442 \u0442\u0435\u0431\u044f \u043a \u0442\u043e\u043c\u0443 \u0441\u0430\u043c\u043e\u043c\u0443 ridge point, \u0432 \u0447\u0435\u0441\u0442\u044c \u043a\u043e\u0442\u043e\u0440\u043e\u0433\u043e \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u043d\u0430\u0437\u0432\u0430\u043d.<\/p>\n<\/li>\n<li>\n<p>Mamba\/SSM, sliding-window, \u0433\u0438\u0431\u0440\u0438\u0434\u044b \u2014 \u0433\u0434\u0435 KV \u043f\u0435\u0440\u0435\u0441\u0442\u0430\u0451\u0442 \u0440\u0430\u0441\u0442\u0438 \u043b\u0438\u043d\u0435\u0439\u043d\u043e \u043f\u043e \u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442\u0443.<\/p>\n<\/li>\n<li>\n<p>\u041e\u0444\u0444\u043b\u043e\u0443\u0434 KV \u0432 CPU\/NVMe \u0438 \u0434\u0435\u043d\u044c\u0433\u0438: $\/1\u041c \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u043f\u0440\u043e\u0442\u0438\u0432 \u043e\u0431\u043b\u0430\u0447\u043d\u043e\u0433\u043e API.<\/p>\n<\/li>\n<\/ul>\n<p>\u041a\u043e\u0434 \u043b\u0435\u0436\u0438\u0442 \u043e\u0442\u043a\u0440\u044b\u0442\u043e: <a href=\"https:\/\/github.com\/Isk4R1oT\/ridgepoint\" rel=\"noopener nofollow\">github.com\/Isk4R1oT\/ridgepoint<\/a>. \u0411\u0443\u0434\u0443 \u0440\u0430\u0434 \u0437\u0432\u0435\u0437\u0434\u0435, \u0430 \u0435\u0449\u0451 \u0431\u043e\u043b\u044c\u0448\u0435 \u2014 issue \u0441 \u043c\u043e\u0434\u0435\u043b\u044c\u044e, \u043d\u0430 \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u043c\u043e\u0438 \u0447\u0438\u0441\u043b\u0430 \u0440\u0430\u0437\u043e\u0448\u043b\u0438\u0441\u044c \u0441 \u0432\u0430\u0448\u0438\u043c vLLM.<\/p>\n<hr\/>\n<p>\u0412\u043e\u043f\u0440\u043e\u0441 \u043a \u0442\u0435\u043c, \u043a\u0442\u043e \u0433\u043e\u043d\u044f\u0435\u0442 vLLM \u0432 \u043f\u0440\u043e\u0434\u0435: \u0441\u0432\u0435\u0440\u044c\u0442\u0435 <code># GPU blocks<\/code> \u0438\u0437 \u0441\u0432\u043e\u0435\u0433\u043e \u043b\u043e\u0433\u0430 \u0441\u0442\u0430\u0440\u0442\u0430 \u0441 \u0442\u0435\u043c, \u0447\u0442\u043e \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0436\u0435\u0442 <code>ridgepoint fit<\/code> \u043d\u0430 \u0432\u0430\u0448\u0435\u0439 \u043c\u043e\u0434\u0435\u043b\u0438. \u0421\u043e\u0432\u043f\u0430\u043b\u043e? \u0418 \u043b\u043e\u0432\u0438\u043b\u0438 \u043b\u0438 OOM \u0442\u0430\u043c, \u0433\u0434\u0435 \u043f\u043e \u0440\u0430\u0441\u0447\u0451\u0442\u0443 \u0432\u0441\u0451 \u0432\u043b\u0435\u0437\u0430\u043b\u043e?<\/p>\n<\/div>\n<p>\u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/articles\/1079788\/\">https:\/\/habr.com\/ru\/articles\/1079788\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>\u042f \u043f\u0440\u043e\u0433\u043d\u0430\u043b \u0442\u043e\u043f \u0432\u044b\u0434\u0430\u0447\u0438 Google \u043f\u043e \u00abllm vram calculator\u00bb \u2014 \u043e\u0442 \u0441\u0430\u043c\u043e\u0433\u043e \u043d\u0430\u0432\u043e\u0440\u043e\u0447\u0435\u043d\u043d\u043e\u0433\u043e \u0434\u043e \u043e\u0434\u043d\u043e\u043a\u043d\u043e\u043f\u043e\u0447\u043d\u044b\u0445. \u0412\u0441\u0435 \u043e\u0448\u0438\u0431\u0430\u044e\u0442\u0441\u044f \u0432 \u043e\u0434\u043d\u043e\u043c \u0438 \u0442\u043e\u043c \u0436\u0435: \u043d\u0438 \u043e\u0434\u0438\u043d \u043d\u0435 \u043c\u043e\u0434\u0435\u043b\u0438\u0440\u0443\u0435\u0442, \u0447\u0442\u043e \u0434\u0432\u0438\u0436\u043e\u043a \u0440\u0435\u0437\u0435\u0440\u0432\u0438\u0440\u0443\u0435\u0442 \u043f\u043e\u0447\u0442\u0438 \u0432\u0441\u044e \u043f\u0430\u043c\u044f\u0442\u044c \u043f\u043e\u0434 \u043f\u0443\u043b \u0437\u0430\u0440\u0430\u043d\u0435\u0435, \u0430 \u043d\u0435 \u0440\u0430\u0437\u0434\u0430\u0451\u0442 \u0435\u0451 \u043f\u043e\u0434 KV \u043f\u043e \u043c\u0435\u0440\u0435 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432. \u041e\u0442\u0432\u0435\u0442 \u00ab\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 \u0432\u043b\u0435\u0437\u0435\u0442\u00bb \u0438\u0437-\u0437\u0430 \u044d\u0442\u043e\u0433\u043e \u0432\u0441\u0435\u0433\u0434\u0430 \u043c\u0438\u043c\u043e.\u041d\u0430\u0438\u0432\u043d\u043e\u0435 \u0431\u043e\u043b\u044c\u0448\u0438\u043d\u0441\u0442\u0432\u043e \u0441\u043f\u043e\u0442\u044b\u043a\u0430\u0435\u0442\u0441\u044f \u0435\u0449\u0451 \u0438 \u043e \u0433\u0435\u043e\u043c\u0435\u0442\u0440\u0438\u044e KV: \u043d\u0430 DeepSeek-V2-Lite \u043e\u0431\u044b\u0447\u043d\u0430\u044f \u0444\u043e\u0440\u043c\u0443\u043b\u0430 \u0437\u0430\u0432\u044b\u0448\u0430\u0435\u0442 \u043f\u0430\u043c\u044f\u0442\u044c \u043f\u043e\u0447\u0442\u0438 \u043d\u0430 \u043f\u043e\u0440\u044f\u0434\u043e\u043a (\u0432 7\u201311 \u0440\u0430\u0437). \u0420\u0430\u0437\u0431\u0438\u0440\u0430\u044e \u043e\u0431\u0435 \u043b\u043e\u0432\u0443\u0448\u043a\u0438 \u0438 \u0441\u0432\u0435\u0440\u044f\u044e \u0447\u0438\u0441\u043b\u0430 \u0441 \u0436\u0438\u0432\u044b\u043c vLLM.\u041e\u0448\u0438\u0431\u043a\u0430 \u21161: \u0434\u0432\u0438\u0436\u043e\u043a \u0437\u0430\u0431\u0438\u0440\u0430\u0435\u0442 \u043f\u0430\u043c\u044f\u0442\u044c \u0437\u0430\u0440\u0430\u043d\u0435\u0435\u041f\u0438\u0448\u0435\u0442\u0435 \u0434\u0432\u0435 \u0441\u0442\u0440\u043e\u043a\u0438:from vllm import LLMllm = LLM(&#171;meta-llama\/Meta-Llama-3-8B-Instruct&#187;)\u041a\u0430\u0436\u0435\u0442\u0441\u044f, \u0447\u0442\u043e \u0434\u0432\u0438\u0436\u043e\u043a \u043f\u043e\u043b\u043e\u0436\u0438\u0442 \u0432\u0435\u0441\u0430, \u0430 \u043e\u0441\u0442\u0430\u0442\u043e\u043a \u0440\u0430\u0437\u0434\u0430\u0441\u0442 \u043f\u043e\u0434 KV \u043f\u043e \u043c\u0435\u0440\u0435 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432. \u0422\u0430\u043a \u043d\u0435 \u0434\u0435\u043b\u0430\u0435\u0442 \u043d\u0438 \u043e\u0434\u0438\u043d \u0441\u043e\u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0439 \u0434\u0432\u0438\u0436\u043e\u043a. vLLM \u043f\u0440\u0438 \u0441\u0442\u0430\u0440\u0442\u0435 \u0440\u0435\u0437\u0435\u0440\u0432\u0438\u0440\u0443\u0435\u0442 \u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u043a\u0443\u0441\u043e\u043a VRAM \u043f\u043e\u0434 \u043f\u0443\u043b \u0438 \u043f\u0435\u0439\u0434\u0436\u0438\u0442 KV \u0432\u043d\u0443\u0442\u0440\u044c \u043d\u0435\u0433\u043e \u2014 \u0444\u043b\u0430\u0433 gpu_memory_utilization, \u0434\u0435\u0444\u043e\u043b\u0442 0.92. \u0423 SGLang \u0442\u043e \u0436\u0435 \u0437\u043e\u0432\u0451\u0442\u0441\u044f mem_fraction_static (\u043f\u043e \u0443\u043c\u043e\u043b\u0447\u0430\u043d\u0438\u044e \u0430\u0432\u0442\u043e, \u043e\u043a\u043e\u043b\u043e 0.9), \u0443 TensorRT-LLM \u2014 kv_cache_free_gpu_mem_fraction. \u0412\u0435\u0441\u0430 \u0433\u0440\u0443\u0437\u044f\u0442\u0441\u044f \u0432\u043d\u0443\u0442\u0440\u044c \u044d\u0442\u043e\u0433\u043e \u043a\u0443\u0441\u043a\u0430, KV \u0436\u0438\u0432\u0451\u0442 \u0432 \u043e\u0441\u0442\u0430\u0442\u043a\u0435 \u043f\u043e\u0441\u043b\u0435 \u0432\u0435\u0441\u043e\u0432 \u0438 overhead; \u0441\u0432\u043e\u0431\u043e\u0434\u043d\u044b\u0435 ~8% VRAM \u043f\u043e\u0434 KV \u043d\u0435 \u043f\u043e\u0439\u0434\u0443\u0442 \u043d\u0438\u043a\u043e\u0433\u0434\u0430.\u0401\u043c\u043a\u043e\u0441\u0442\u044c KV-\u043f\u0443\u043b\u0430 \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0441\u0447\u0438\u0442\u0430\u0435\u0442\u0441\u044f \u0442\u0430\u043a:KV-\u043f\u0443\u043b = util \u00b7 VRAM \u2212 \u0432\u0435\u0441\u0430 \u2212 overhead\u0415\u0441\u043b\u0438 \u0432\u044b \u0433\u043e\u043d\u044f\u0435\u0442\u0435 vLLM \u0432 \u043f\u0440\u043e\u0434\u0435, \u044d\u0442\u0443 \u0434\u043e\u043b\u044e \u0432\u044b \u0438 \u0442\u0430\u043a \u0434\u0435\u0440\u0436\u0438\u0442\u0435 \u0432 \u0433\u043e\u043b\u043e\u0432\u0435: gpu_memory_utilization \u0432\u044b \u0437\u0430\u0434\u0430\u0451\u0442\u0435 \u0441\u0430\u043c\u0438, \u0430 \u0437\u0430\u0447\u0435\u043c \u043f\u0443\u043b \u0432\u044b\u0434\u0435\u043b\u044f\u0435\u0442\u0441\u044f \u043e\u0434\u043d\u0438\u043c \u043a\u0443\u0441\u043a\u043e\u043c, \u043e\u0431\u044a\u044f\u0441\u043d\u044f\u0435\u0442 PagedAttention (arXiv:2309.06180).\u041f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c, \u0447\u0442\u043e \u043f\u0443\u043b \u043f\u043e\u0441\u0447\u0438\u0442\u0430\u043d \u0432\u0435\u0440\u043d\u043e, \u043c\u043e\u0436\u043d\u043e \u043d\u0435 \u0430\u0440\u0435\u043d\u0434\u0443\u044f GPU. vLLM \u043f\u0440\u0438 \u0441\u0442\u0430\u0440\u0442\u0435 \u043f\u0435\u0447\u0430\u0442\u0430\u0435\u0442 \u0441\u0442\u0440\u043e\u043a\u0443 # GPU blocks: N. \u042d\u0442\u043e \u0438 \u0435\u0441\u0442\u044c \u0440\u0430\u0437\u043c\u0435\u0440 KV-\u043f\u0443\u043b\u0430. ridgepoint \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442 \u0442\u043e \u0436\u0435 \u0447\u0438\u0441\u043b\u043e \u0437\u0430\u0440\u0430\u043d\u0435\u0435:ridgepoint fit llama-3-8bllama-3-8b, 1\u00d7 A100, ctx 8192: \u043d\u0430\u0438\u0432\u043d\u0430\u044f \u0444\u043e\u0440\u043c\u0443\u043b\u0430 \u0431\u0435\u0437 util \u043e\u0431\u0435\u0449\u0430\u0435\u0442 ~60 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432; \u0441 \u043f\u043e\u043f\u0440\u0430\u0432\u043a\u043e\u0439 \u043d\u0430 util \u2014 54, \u0437\u0430\u043c\u0435\u0440 vLLM \u2014 55. \u0422\u043e\u0442 \u0441\u0430\u043c\u044b\u0439 \u043c\u043d\u043e\u0436\u0438\u0442\u0435\u043b\u044c, \u0447\u0442\u043e \u0432\u044b \u0438 \u0442\u0430\u043a \u0434\u0435\u0440\u0436\u0438\u0442\u0435 \u0432 \u0433\u043e\u043b\u043e\u0432\u0435. \u0421 \u043f\u0435\u0440\u0432\u043e\u0439 \u043e\u0448\u0438\u0431\u043a\u043e\u0439 \u0432\u0441\u0451.\u041e\u0448\u0438\u0431\u043a\u0430 \u21162: \u0433\u0435\u043e\u043c\u0435\u0442\u0440\u0438\u044f KV, \u043a\u043e\u0442\u043e\u0440\u0443\u044e \u0432 \u0443\u043c\u0435 \u043d\u0435 \u043f\u043e\u0441\u0447\u0438\u0442\u0430\u0442\u044cKV \u043d\u0430 \u0442\u043e\u043a\u0435\u043d \u0437\u0430\u0432\u0438\u0441\u0438\u0442 \u043e\u0442 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u044f, \u0438 \u043d\u0430 \u044d\u0442\u043e\u043c \u0441\u043f\u043e\u0442\u044b\u043a\u0430\u0435\u0442\u0441\u044f \u0431\u043e\u043b\u044c\u0448\u0438\u043d\u0441\u0442\u0432\u043e \u043a\u0430\u043b\u044c\u043a\u0443\u043b\u044f\u0442\u043e\u0440\u043e\u0432 (\u043b\u0443\u0447\u0448\u0438\u0435 \u2014 \u0432\u0440\u043e\u0434\u0435 apxml \u2014 MLA \u0432\u0441\u0451 \u0436\u0435 \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u044e\u0442). \u0423 \u043e\u0431\u044b\u0447\u043d\u043e\u0439 GQA-\u043c\u043e\u0434\u0435\u043b\u0438 \u0431\u0430\u0439\u0442\u044b \u043d\u0430 \u0442\u043e\u043a\u0435\u043d \u0441\u0447\u0438\u0442\u0430\u044e\u0442\u0441\u044f \u043a\u0430\u043a 2\u00b7n_kv\u00b7head_dim\u00b7L\u00b7p. \u0423 DeepSeek \u0441 MLA \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435 \u0441\u0436\u0430\u0442\u043e \u0432 \u043b\u0430\u0442\u0435\u043d\u0442, \u0438 \u0444\u043e\u0440\u043c\u0443\u043b\u0430 \u0434\u0440\u0443\u0433\u0430\u044f: (d_c + d_rope)\u00b7L\u00b7p, \u0433\u0434\u0435 d_c \u2014 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c \u0441\u0436\u0430\u0442\u043e\u0433\u043e \u043b\u0430\u0442\u0435\u043d\u0442\u0430, d_rope \u2014 rope-\u0447\u0430\u0441\u0442\u044c.\u041f\u043e\u0441\u0447\u0438\u0442\u0430\u0435\u043c DeepSeek-V2-Lite \u0440\u0443\u043a\u0430\u043c\u0438, \u0438\u0437 \u0435\u0433\u043e config.json:MLA (\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e):     (512 + 64)\u00b727\u00b72                = 31 104 \u0411\/\u0442\u043e\u043a\u0435\u043d\u043d\u0430\u0438\u0432\u043d\u0430\u044f \u0444\u043e\u0440\u043c\u0443\u043b\u0430:     2\u00b7n_kv(16)\u00b7head_dim\u00b727\u00b72   head_dim=128 (hidden\/heads):  \u2192 221 184 \u0411\/\u0442\u043e\u043a\u0435\u043d  = \u0437\u0430\u0432\u044b\u0448\u0435\u043d\u0438\u0435 7.1\u00d7   head_dim=192 (qk_nope+rope):  \u2192 331 776 \u0411\/\u0442\u043e\u043a\u0435\u043d  = \u0437\u0430\u0432\u044b\u0448\u0435\u043d\u0438\u0435 10.7\u00d7\u041a\u0430\u043b\u044c\u043a\u0443\u043b\u044f\u0442\u043e\u0440, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0442\u0440\u0430\u043a\u0442\u0443\u0435\u0442 MLA \u043a\u0430\u043a \u043e\u0431\u044b\u0447\u043d\u043e\u0435 \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435, \u043f\u043e\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 2\u00b7n_kv\u00b7head_dim. \u0421\u043c\u043e\u0442\u0440\u044f \u043a\u0430\u043a\u043e\u0439 head_dim \u043e\u043d \u0432\u043e\u0437\u044c\u043c\u0451\u0442, KV \u0437\u0430\u0432\u044b\u0448\u0430\u0435\u0442\u0441\u044f \u0432 7\u201311 \u0440\u0430\u0437. \u0422\u043e\u0447\u043d\u044b\u0439 \u043c\u043d\u043e\u0436\u0438\u0442\u0435\u043b\u044c \u0437\u0430\u0432\u0438\u0441\u0438\u0442 \u043e\u0442 \u0435\u0433\u043e \u0434\u043e\u043f\u0443\u0449\u0435\u043d\u0438\u044f, \u043d\u043e \u043f\u043e\u0440\u044f\u0434\u043e\u043a \u043e\u0434\u0438\u043d, \u0438 \u043e\u043d \u0437\u0430\u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d \u0432 \u0441\u0430\u043c\u043e\u0439 DeepSeek-V2 (arXiv:2405.04434): MLA \u0441\u0436\u0438\u043c\u0430\u0435\u0442 KV \u0432 \u0440\u0430\u0437\u044b. \u0418 \u043f\u0440\u043e\u043c\u0430\u0445 \u0442\u0443\u0442 \u0432 \u043e\u0431\u0440\u0430\u0442\u043d\u0443\u044e \u0441\u0442\u043e\u0440\u043e\u043d\u0443 \u043e\u0442 \u043f\u0435\u0440\u0432\u043e\u0439 \u043e\u0448\u0438\u0431\u043a\u0438: \u0432\u044b \u0440\u0435\u0448\u0438\u0442\u0435, \u0447\u0442\u043e \u043c\u043e\u0434\u0435\u043b\u044c \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u043f\u043e\u0447\u0442\u0438 \u043d\u0430 \u043f\u043e\u0440\u044f\u0434\u043e\u043a \u0431\u043e\u043b\u044c\u0448\u0435 \u043a\u0430\u0440\u0442, \u0437\u0440\u044f \u043e\u0442\u043a\u0430\u0436\u0435\u0442\u0435\u0441\u044c \u0435\u0451 \u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0438\u043b\u0438 \u0430\u0440\u0435\u043d\u0434\u0443\u0435\u0442\u0435 \u0441\u0442\u043e\u0439\u043a\u0443 \u0432\u043c\u0435\u0441\u0442\u043e \u043e\u0434\u043d\u043e\u0439 GPU.\u0421 MoE \u0442\u0430 \u0436\u0435 \u043b\u043e\u0432\u0443\u0448\u043a\u0430: \u0443 DeepSeek-V2-Lite \u0432\u0435\u0441\u0430 16B (total), \u0430 \u0430\u043a\u0442\u0438\u0432\u043d\u044b 2B. \u041f\u0430\u043c\u044f\u0442\u044c \u043f\u043b\u0430\u0442\u0438\u0442\u0435 \u0437\u0430 16, \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c \u0441\u0447\u0438\u0442\u0430\u0435\u0442\u0435 \u043f\u043e 2, \u043f\u0435\u0440\u0435\u043f\u0443\u0442\u0430\u0442\u044c \u043b\u0435\u0433\u043a\u043e.\u041e\u043f\u0438\u0440\u0430\u044e\u0441\u044c \u044f \u0442\u0443\u0442 \u043d\u0430 \u0438\u0437\u043c\u0435\u0440\u0435\u043d\u043d\u043e\u0435: \u043d\u0430\u0441\u0442\u043e\u044f\u0449\u0438\u0435 31 104 \u0411\/\u0442\u043e\u043a\u0435\u043d \u0441\u043d\u044f\u0442\u044b \u0441 \u0436\u0438\u0432\u043e\u0433\u043e vLLM (40.79 \u0413\u0438\u0411 \/ 1 408 144 \u0442\u043e\u043a\u0435\u043d\u043e\u0432), \u0430 (512+64)\u00b727\u00b72 \u0441\u0432\u0435\u0440\u044c\u0442\u0435 \u0441\u0430\u043c\u0438. \u0418\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u0431\u0435\u0440\u0451\u0442 \u043b\u044e\u0431\u043e\u0439 org\/model \u0441 HuggingFace, \u0447\u0438\u0442\u0430\u0435\u0442 \u043a\u043e\u043d\u0444\u0438\u0433 \u0438 \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u0435\u0442 \u0444\u043e\u0440\u043c\u0443\u043b\u0443 \u043f\u043e\u0434 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u0443\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443 (GQA, MLA, MoE \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044f\u044e\u0442\u0441\u044f \u0441\u0430\u043c\u0438):ridgepoint fit DeepSeek-V2-Lite\u0420\u0430\u0434\u0438 \u044d\u0442\u043e\u0433\u043e \u0441\u043b\u0443\u0447\u0430\u044f \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u0438 \u043f\u0438\u0441\u0430\u043b\u0441\u044f.\u041d\u0430\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0447\u0438\u0441\u043b\u0430\u043c \u043c\u043e\u0436\u043d\u043e \u0432\u0435\u0440\u0438\u0442\u044c\u041d\u0430\u0438\u0432\u043d\u0430\u044f \u043f\u0440\u0438\u043a\u0438\u0434\u043a\u0430, ridgepoint \u0438 \u0436\u0438\u0432\u043e\u0439 vLLM (\u0437\u0430\u043c\u0435\u0440 \u043d\u0430 RunPod, vLLM 0.28, util 0.90):1\u00d7 A100-80GB, ctx 8192\u043d\u0430\u0438\u0432\u043d\u043eridgepoint\u0437\u0430\u043c\u0435\u0440 vLLMllama-3-8b (GQA)~605455DeepSeek-V2-Lite (MLA\u00b7MoE)GQA-\u0444\u043e\u0440\u043c\u0443\u043b\u0430 \u2192 16\u201324171172llama-3-70b AWQ~151213\u041e\u0433\u043e\u0432\u043e\u0440\u044e \u0440\u0430\u043c\u043a\u0438. \u041f\u0430\u043c\u044f\u0442\u044c \u044f \u0441\u0432\u0435\u0440\u044f\u043b \u0441 \u043b\u043e\u0433\u0430\u043c\u0438 vLLM \u0438 nvidia-smi \u043d\u0430 \u0447\u0435\u0442\u044b\u0440\u0451\u0445 \u043c\u043e\u0434\u0435\u043b\u044f\u0445 \u0442\u0440\u0451\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 (GQA, MLA, MoE) \u043d\u0430 A100, \u043f\u043b\u044e\u0441 \u043f\u0435\u0440\u0435\u043d\u043e\u0441 \u043d\u0430 H100: \u043f\u043e \u0431\u0430\u0439\u0442\u0430\u043c \u0440\u0430\u0441\u0445\u043e\u0436\u0434\u0435\u043d\u0438\u0435 1\u20134% \u0438 \u0432\u0441\u0435\u0433\u0434\u0430 \u0447\u0443\u0442\u044c \u043d\u0438\u0436\u0435 \u0437\u0430\u043c\u0435\u0440\u0430, \u0442\u043e \u0435\u0441\u0442\u044c \u043d\u0435\u0434\u043e\u043e\u0446\u0435\u043d\u0438\u0432\u0430\u044e. \u0421\u0447\u0451\u0442\u0447\u0438\u043a\u0438 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 \u0432 \u0442\u0430\u0431\u043b\u0438\u0446\u0435 \u043e\u043a\u0440\u0443\u0433\u043b\u0435\u043d\u044b \u0434\u043e \u0446\u0435\u043b\u043e\u0433\u043e, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0442\u0430\u043c \u0440\u0430\u0437\u0440\u044b\u0432 \u043c\u043e\u0436\u0435\u0442 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u0442\u044c \u043a\u0440\u0443\u043f\u043d\u0435\u0435 (12 \u043f\u0440\u043e\u0442\u0438\u0432 13 \u2014 \u044d\u0442\u043e \u0442\u0435 \u0436\u0435 \u0431\u0430\u0439\u0442\u044b). \u042d\u0442\u043e n=4, \u043d\u0435 \u0437\u0430\u043a\u043e\u043d \u043f\u0440\u0438\u0440\u043e\u0434\u044b; \u043f\u043e\u043b\u043d\u044b\u0439 predict-vs-measured \u043b\u0435\u0436\u0438\u0442 \u0432 \u0440\u0435\u043f\u043e\u0437\u0438\u0442\u043e\u0440\u0438\u0438 (calibration\/CALIBRATION.md). \u041f\u043e\u0431\u0430\u0439\u0442\u043e\u0432\u044b\u0439 KV \u0442\u043e\u0447\u0435\u043d \u0430\u0440\u0438\u0444\u043c\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u0438, \u0435\u0441\u043b\u0438 \u0432\u0435\u0440\u043d\u043e \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0430 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u2014 \u0440\u043e\u0432\u043d\u043e \u044d\u0442\u043e \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u0438 \u0434\u0435\u043b\u0430\u0435\u0442 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442. \u0418\u043d\u0442\u0435\u0440\u0432\u0430\u043b overhead (1.5\u00b71.8\u00b72.2 \u0432 \u0432\u044b\u0432\u043e\u0434\u0435 \u2014 \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 \u043f\u043b\u044e\u0441 CUDA-\u0433\u0440\u0430\u0444\u044b) \u0443\u0436\u0435 \u044d\u043c\u043f\u0438\u0440\u0438\u043a\u0430, \u0435\u0451 \u044f \u0438 \u043a\u0430\u043b\u0438\u0431\u0440\u043e\u0432\u0430\u043b, \u043e\u0442\u0441\u044e\u0434\u0430 \u043f\u043e\u043b\u043e\u0441\u0430 low\/best\/high. \u0414\u0435\u0444\u043e\u043b\u0442 vLLM \u0441 \u0442\u0435\u0445 \u043f\u043e\u0440 \u0443\u0435\u0445\u0430\u043b \u0441 0.90 \u043d\u0430 0.92, \u0437\u043d\u0430\u0447\u0438\u0442 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0439 \u043f\u0443\u043b \u0447\u0443\u0442\u044c \u0431\u043e\u043b\u044c\u0448\u0435 \u043c\u043e\u0438\u0445 \u0447\u0438\u0441\u0435\u043b \u2014 \u044f \u0438 \u0437\u0434\u0435\u0441\u044c \u043d\u0435\u0434\u043e\u043e\u0446\u0435\u043d\u0438\u0432\u0430\u044e.\u0413\u0434\u0435 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u043d\u0435 \u043f\u043e\u043c\u043e\u0433\u0430\u0435\u0442\u0421\u043a\u043e\u0440\u043e\u0441\u0442\u044c. TTFT \u0438 \u0443\u0442\u0438\u043b\u0438\u0437\u0430\u0446\u0438\u044e \u043a\u043e\u043c\u043f\u044c\u044e\u0442\u0430 (MFU, model FLOPs utilization) \u0437\u0430\u043c\u0435\u0440\u0438\u0442\u044c \u0447\u0438\u0441\u0442\u043e \u043d\u0435 \u0432\u044b\u0448\u043b\u043e: \u0443\u0434\u0430\u043b\u0451\u043d\u043d\u044b\u0439 \u0431\u0435\u043d\u0447\u043c\u0430\u0440\u043a \u043c\u0435\u0448\u0430\u0435\u0442 \u043f\u0440\u0435\u0444\u0438\u043b\u043b \u0441 \u0441\u0435\u0442\u044c\u044e, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0432 \u0432\u044b\u0432\u043e\u0434\u0435 \u043e\u043d\u0438 \u043f\u043e\u043c\u0435\u0447\u0435\u043d\u044b ~MFU literature \u2014 \u0446\u0438\u0444\u0440\u044b \u0438\u0437 \u043b\u0438\u0442\u0435\u0440\u0430\u0442\u0443\u0440\u044b, \u0441\u0430\u043c \u044f \u0438\u0445 \u043d\u0435 \u043c\u0435\u0440\u0438\u043b. \u041f\u0440\u043e\u043f\u0443\u0441\u043a\u043d\u0443\u044e \u0441\u043f\u043e\u0441\u043e\u0431\u043d\u043e\u0441\u0442\u044c \u043f\u0430\u043c\u044f\u0442\u0438 \u043f\u0440\u0438 \u0434\u0435\u043a\u043e\u0434\u0435 (MBU, memory-bandwidth utilization \u2248 0.62) \u043f\u043e\u043c\u0435\u0440\u0438\u043b, \u044d\u0442\u043e\u0439 \u0446\u0438\u0444\u0440\u0435 \u0432\u0435\u0440\u044e. Throughput \u043f\u043e\u0434 \u0441\u043c\u0435\u0448\u0430\u043d\u043d\u043e\u0439 \u043d\u0430\u0433\u0440\u0443\u0437\u043a\u043e\u0439 (&#8212;max-num-seqs, \u0440\u0430\u0437\u043d\u044b\u0435 \u0434\u043b\u0438\u043d\u044b) v0 \u043d\u0435 \u0441\u0447\u0438\u0442\u0430\u0435\u0442, \u044d\u0442\u043e \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0430\u044f \u0432\u0435\u0440\u0441\u0438\u044f. \u0418 \u0447\u0438\u0441\u043b\u0430 \u043f\u043e\u043a\u0430 \u043a\u0430\u043b\u0438\u0431\u0440\u043e\u0432\u0430\u043d\u044b \u043d\u0430 vLLM: SGLang \u0441 TensorRT-LLM \u043f\u0435\u0439\u0434\u0436\u0430\u0442 KV \u0432 \u0442\u0430\u043a\u043e\u0439 \u0436\u0435 \u043f\u0443\u043b, \u043d\u043e \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b \u043f\u043e\u0434 \u043d\u0438\u0445 \u044f \u0435\u0449\u0451 \u043d\u0435 \u043c\u0435\u0440\u0438\u043b.\u0427\u0442\u043e \u043f\u043e\u043a\u0430\u0437\u0430\u043b \u043f\u0440\u043e\u0433\u043e\u043d\u0412\u0437\u044f\u043b \u0442\u043e, \u0447\u0442\u043e \u0432\u0438\u0434\u0438\u0442 \u043e\u0431\u044b\u0447\u043d\u044b\u0439 \u0447\u0435\u043b\u043e\u0432\u0435\u043a \u0432 \u0432\u044b\u0434\u0430\u0447\u0435 \u2014 \u0438 pre-grab \u0434\u0432\u0438\u0436\u043a\u0430 \u043d\u0435 \u043c\u043e\u0434\u0435\u043b\u0438\u0440\u0443\u0435\u0442 \u043d\u0438\u043a\u0442\u043e, \u0434\u0430\u0436\u0435 \u043b\u0443\u0447\u0448\u0438\u0439 \u0438\u0437 \u043d\u0438\u0445.\u043a\u0430\u043b\u044c\u043a\u0443\u043b\u044f\u0442\u043e\u0440\u0434\u0432\u0438\u0436\u043e\u043a (pre-grab)MLAoverhead\u00ab\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0432\u043b\u0435\u0437\u0435\u0442\u00bbapxml (\u0442\u043e\u043f-1)\u274c\u2705\u2705concurrency \u0432\u0432\u043e\u0434\u0438\u0448\u044c \u0442\u044bNyxKrage (513 \u2665)\u274c\u274c\u274cbatch \u043d\u0430 \u0432\u0445\u043e\u0434smcleod\u274c\u274c\u274c\u274c (\u043e\u0434\u0438\u043d \u043f\u043e\u0442\u043e\u043a)ridgepoint\u2705\u2705\u2705\u2705 \u0438\u0437 \u043f\u0443\u043b\u0430 \u0434\u0432\u0438\u0436\u043a\u0430apxml \u0440\u0435\u0430\u043b\u044c\u043d\u043e \u0441\u0438\u043b\u0451\u043d: \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u0451\u0442 MLA, \u0441\u0447\u0438\u0442\u0430\u0435\u0442 framework overhead, \u0443\u043c\u0435\u0435\u0442 KV-\u043a\u0432\u0430\u043d\u0442. \u041d\u043e Concurrent Users \u2014 \u044d\u0442\u043e \u043f\u043e\u043b\u0437\u0443\u043d\u043e\u043a \u043d\u0430 \u0432\u0445\u043e\u0434, \u0430 \u043f\u0430\u043c\u044f\u0442\u044c \u043e\u043d \u0441\u043a\u043b\u0430\u0434\u044b\u0432\u0430\u0435\u0442 \u043a\u0430\u043a \u00ab\u0432\u0435\u0441\u0430 + \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 + KV + overhead &lt; VRAM\u00bb. \u0427\u0442\u043e vLLM \u0437\u0430\u0431\u0435\u0440\u0451\u0442 gpu_memory_utilization \u0437\u0430\u0440\u0430\u043d\u0435\u0435 \u0438 \u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 \u0432\u043b\u0435\u0437\u0435\u0442 \u0432 \u043e\u0441\u0442\u0430\u0432\u0448\u0438\u0439\u0441\u044f \u043f\u0443\u043b \u2014 \u043d\u0435 \u043c\u043e\u0434\u0435\u043b\u0438\u0440\u0443\u0435\u0442.apxml: MLA \u0438 overhead \u0435\u0441\u0442\u044c, \u043d\u043e concurrency \u2014 \u043d\u0430 \u0432\u0445\u043e\u0434, \u0430 pre-grab \u0434\u0432\u0438\u0436\u043a\u0430 \u043d\u0435 \u0443\u0447\u0438\u0442\u044b\u0432\u0430\u0435\u0442\u0441\u044fsmcleod \u0438 NyxKrage \u043f\u0440\u043e\u0449\u0435: Model + KV = Total, \u0431\u0435\u0437 overhead \u0438 \u0431\u0435\u0437 MLA (\u0437\u043d\u0430\u0447\u0438\u0442, \u043d\u0430 DeepSeek \u2014 \u0442\u0435 \u0441\u0430\u043c\u044b\u0435 7\u201311\u00d7). \u041f\u0440\u043e\u0432\u0435\u0440\u044c\u0442\u0435 \u0441\u0430\u043c\u0438 \u0437\u0430 \u043c\u0438\u043d\u0443\u0442\u0443 \u043f\u043e \u0441\u0441\u044b\u043b\u043a\u0430\u043c.smcleod: \u00abModel + KV = Total\u00bb \u2014 \u043d\u0438 overhead, \u043d\u0438 \u0434\u0432\u0438\u0436\u043a\u0430\u0418 \u044d\u0442\u043e \u043d\u0435 \u043f\u0440\u043e \u00ab\u0441\u0442\u0430\u0440\u044c\u0451\u00bb: \u043c\u0435\u0445\u0430\u043d\u0438\u0437\u043c \u043f\u0443\u0431\u043b\u0438\u0447\u0435\u043d \u0441 PagedAttention (2023), \u0430 \u0442\u0443\u043b\u044b 2026 \u0433\u043e\u0434\u0430 \u0435\u0433\u043e \u0432\u0441\u0451 \u0440\u0430\u0432\u043d\u043e \u043d\u0435 \u0431\u0435\u0440\u0443\u0442.\u041f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u0442\u044c \u043d\u0430 \u0441\u0432\u043e\u0451\u043c. GPU \u043d\u0435 \u043d\u0443\u0436\u0435\u043dpip install ridgepointridgepoint fit deepseek-ai\/DeepSeek-V2-Lite &#8212;gpu h100-80gb:1 &#8212;ctx 8192\u0421\u0447\u0438\u0442\u0430\u0435\u0442 \u043b\u043e\u043a\u0430\u043b\u044c\u043d\u043e, \u043d\u0430 \u043d\u043e\u0443\u0442\u0431\u0443\u043a\u0435: \u0442\u044f\u043d\u0435\u0442 \u0441 HuggingFace \u0442\u043e\u043b\u044c\u043a\u043e config.json \u0438 \u0438\u043d\u0434\u0435\u043a\u0441 safetensors (\u043f\u0430\u0440\u0430 \u041a\u0411), \u0431\u043e\u043b\u044c\u0448\u0435 \u043d\u0438\u0447\u0435\u0433\u043e \u043d\u0438\u043a\u0443\u0434\u0430 \u043d\u0435 \u0443\u0445\u043e\u0434\u0438\u0442 (python\/ridgepoint\/hf.py). \u0416\u0435\u0447\u044c GPU-\u0447\u0430\u0441\u044b \u043d\u0435 \u043d\u0443\u0436\u043d\u043e.\u0414\u0430\u043b\u044c\u0448\u0435 \u043f\u043e\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0439\u0442\u0435 \u0447\u0442\u043e \u043d\u0443\u0436\u043d\u043e. \u041b\u044e\u0431\u043e\u0439 HF-\u0440\u0435\u043f\u043e\u0437\u0438\u0442\u043e\u0440\u0438\u0439 \u043f\u043e\u0434\u0442\u044f\u043d\u0435\u0442 \u043a\u043e\u043d\u0444\u0438\u0433 \u0441\u0430\u043c. \u041a\u0430\u0440\u0442\u0430 \u0437\u0430\u0434\u0430\u0451\u0442\u0441\u044f \u0444\u043b\u0430\u0433\u043e\u043c &#8212;gpu a100-80gb:1 \u0438\u043b\u0438 h100-80gb:2, \u0430 ridgepoint devices \u043d\u0430\u0439\u0434\u0451\u0442 \u043b\u043e\u043a\u0430\u043b\u044c\u043d\u044b\u0435. \u0414\u0432\u0438\u0436\u043e\u043a \u2014 &#8212;engine vllm|sglang|llamacpp; SGLang \u0443\u0436\u0435 \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 (\u043f\u0443\u043b \u0442\u043e\u0442 \u0436\u0435 pre-grab), \u043d\u043e \u043f\u043e\u043c\u0435\u0447\u0435\u043d uncalibrated \u2014 \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b \u043f\u043e\u0434 \u043d\u0435\u0433\u043e \u043d\u0430 \u0436\u0435\u043b\u0435\u0437\u0435 \u044f \u0435\u0449\u0451 \u043d\u0435 \u043c\u0435\u0440\u0438\u043b. \u0415\u0441\u043b\u0438 \u0443\u0434\u043e\u0431\u043d\u0435\u0435 \u0438\u0437 \u043a\u043e\u0434\u0430 \u2014 \u0435\u0441\u0442\u044c \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u0447\u043d\u044b\u0439 \u0432\u044b\u0437\u043e\u0432 ridgepoint.fit(&#171;llama-3-70b&#187;, &#171;a100-80gb&#187;, count=2).\u042f\u0434\u0440\u043e \u043d\u0430 Rust \u0441\u0447\u0438\u0442\u0430\u0435\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u0447\u0438\u0441\u043b\u0430 \u0438 \u0432 \u0441\u0435\u0442\u044c \u043d\u0435 \u0445\u043e\u0434\u0438\u0442. HF-\u0430\u0434\u0430\u043f\u0442\u0435\u0440 \u0436\u0438\u0432\u0451\u0442 \u0441\u043d\u0430\u0440\u0443\u0436\u0438, \u043d\u0430 Python.\u0427\u0442\u043e \u0434\u0430\u043b\u044c\u0448\u0435v0 \u0443\u0437\u043a\u0438\u0439: \u043f\u0430\u043c\u044f\u0442\u044c \u0438 \u0451\u043c\u043a\u043e\u0441\u0442\u044c, \u043f\u043e\u043a\u0430 \u0434\u0432\u0430 \u0434\u0432\u0438\u0436\u043a\u0430 (vLLM \u0438 llama.cpp). \u041d\u043e \u0432\u043d\u0443\u0442\u0440\u0438 \u0443\u0436\u0435 \u043d\u0435 \u043d\u0430\u0438\u0432\u043d\u043e \u2014 \u0432\u0435\u0441\u0430 \u0438 KV-\u043a\u044d\u0448 \u043a\u0432\u0430\u043d\u0442\u0443\u044e\u0442\u0441\u044f \u0440\u0430\u0437\u0434\u0435\u043b\u044c\u043d\u043e (&#8212;kv-cache-dtype fp8 \u0432\u0434\u0432\u043e\u0435 \u0443\u0432\u0435\u043b\u0438\u0447\u0438\u0432\u0430\u0435\u0442 KV-\u0451\u043c\u043a\u043e\u0441\u0442\u044c \u043f\u0443\u043b\u0430; \u043a\u0442\u043e \u0441\u0442\u0430\u0432\u0438\u0442 fp4-\u0432\u0435\u0441\u0430 \u043f\u0440\u0438 fp16-\u043a\u0435\u0448\u0435, \u043e\u0431\u044b\u0447\u043d\u043e \u044d\u0442\u043e\u0433\u043e \u043d\u0435 \u043e\u0441\u043e\u0437\u043d\u0430\u0451\u0442), \u0430 MLA\/MoE\/GQA \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044f\u044e\u0442\u0441\u044f \u0441\u0430\u043c\u0438. \u0412 \u043e\u0447\u0435\u0440\u0435\u0434\u0438, \u043f\u043e \u043e\u0434\u043d\u043e\u043c\u0443 \u0438\u0437\u043c\u0435\u0440\u0435\u043d\u043d\u043e\u043c\u0443 \u043a\u0443\u0441\u043a\u0443 \u0437\u0430 \u0440\u0435\u043b\u0438\u0437:\u0414\u043e\u043a\u0430\u043b\u0438\u0431\u0440\u043e\u0432\u0430\u0442\u044c \u0434\u0432\u0438\u0436\u043a\u0438 \u043d\u0430 \u0436\u0435\u043b\u0435\u0437\u0435. SGLang \u0443\u0436\u0435 \u0437\u0430\u043f\u0443\u0441\u043a\u0430\u0435\u0442\u0441\u044f (&#8212;engine sglang), \u043d\u043e \u043f\u043e\u043a\u0430 uncalibrated \u2014 \u0441 \u043d\u0435\u0433\u043e \u0438 \u043d\u0430\u0447\u043d\u0443 (\u0441\u0430\u043c \u0435\u0433\u043e \u043f\u0440\u0435\u0434\u043f\u043e\u0447\u0438\u0442\u0430\u044e), \u0434\u0430\u043b\u044c\u0448\u0435 TensorRT-LLM \u0438 TGI. \u041f\u0443\u043b \u0443 \u0432\u0441\u0435\u0445 \u043e\u0434\u0438\u043d \u0438 \u0442\u043e\u0442 \u0436\u0435 pre-grab, \u043e\u0442\u043b\u0438\u0447\u0430\u044e\u0442\u0441\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b.\u041f\u043e\u043b\u043d\u044b\u0439 \u0448\u043a\u0430\u0444 \u0436\u0435\u043b\u0435\u0437\u0430 \u0438 \u043a\u0432\u0430\u043d\u0442\u043e\u0432: Blackwell, H200, MI300X, NVLink. \u0417\u0430\u043e\u0434\u043d\u043e \u043f\u043e\u043a\u0430\u0436\u0443, \u043a\u0430\u043a FP8\/FP4 \u0434\u0432\u0438\u0433\u0430\u044e\u0442 \u043e\u0431\u0435 \u043e\u0441\u0438 roofline \u2014 \u0431\u0430\u0439\u0442\u044b \u0432\u0435\u0441\u043e\u0432 \u0432\u043d\u0438\u0437 \u0438 \u043f\u0438\u043a\u043e\u0432\u044b\u0435 FLOPs \u0432\u0432\u0435\u0440\u0445.\u0421\u043a\u043e\u0440\u043e\u0441\u0442\u044c \u0437\u0430\u043c\u0435\u0440\u043e\u043c \u043d\u0430 \u043f\u043e\u0434\u0435, \u0430 \u043d\u0435 \u0438\u0437 \u043b\u0438\u0442\u0435\u0440\u0430\u0442\u0443\u0440\u044b. \u0421\u0435\u0439\u0447\u0430\u0441 \u0432 \u0432\u044b\u0432\u043e\u0434\u0435 \u0442\u0430\u043c \u0437\u0430\u0433\u043b\u0443\u0448\u043a\u0430 ~MFU literature, \u0432\u044b \u0435\u0451 \u0432\u0438\u0434\u0435\u043b\u0438.\u041d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e GPU: TP\/PP\/EP. \u0412 \u0437\u0430\u043c\u0435\u0440\u0430\u0445 \u0443\u0436\u0435 \u0432\u0438\u0436\u0443, \u0447\u0442\u043e \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 \u0448\u0430\u0440\u0434\u044f\u0442\u0441\u044f, \u0430 CUDA-\u0433\u0440\u0430\u0444\u044b \u043d\u0430 \u043a\u0430\u0440\u0442\u0443 \u043d\u0435\u0442.\u0421\u043f\u0435\u043a-\u0434\u0435\u043a\u043e\u0434\u0438\u043d\u0433. \u041e\u043d \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0438\u0442 decode \u0438\u0437 memory-bound \u0432 compute-bound, \u0442\u0430\u0449\u0438\u0442 \u0442\u0435\u0431\u044f \u043a \u0442\u043e\u043c\u0443 \u0441\u0430\u043c\u043e\u043c\u0443 ridge point, \u0432 \u0447\u0435\u0441\u0442\u044c \u043a\u043e\u0442\u043e\u0440\u043e\u0433\u043e \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u043d\u0430\u0437\u0432\u0430\u043d.Mamba\/SSM, sliding-window, \u0433\u0438\u0431\u0440\u0438\u0434\u044b \u2014 \u0433\u0434\u0435 KV \u043f\u0435\u0440\u0435\u0441\u0442\u0430\u0451\u0442 \u0440\u0430\u0441\u0442\u0438 \u043b\u0438\u043d\u0435\u0439\u043d\u043e \u043f\u043e \u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442\u0443.\u041e\u0444\u0444\u043b\u043e\u0443\u0434 KV \u0432 CPU\/NVMe \u0438 \u0434\u0435\u043d\u044c\u0433\u0438: $\/1\u041c \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u043f\u0440\u043e\u0442\u0438\u0432 \u043e\u0431\u043b\u0430\u0447\u043d\u043e\u0433\u043e API.\u041a\u043e\u0434 \u043b\u0435\u0436\u0438\u0442 \u043e\u0442\u043a\u0440\u044b\u0442\u043e: github.com\/Isk4R1oT\/ridgepoint. \u0411\u0443\u0434\u0443 \u0440\u0430\u0434 \u0437\u0432\u0435\u0437\u0434\u0435, \u0430 \u0435\u0449\u0451 \u0431\u043e\u043b\u044c\u0448\u0435 \u2014 issue \u0441 \u043c\u043e\u0434\u0435\u043b\u044c\u044e, \u043d\u0430 \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u043c\u043e\u0438 \u0447\u0438\u0441\u043b\u0430 \u0440\u0430\u0437\u043e\u0448\u043b\u0438\u0441\u044c \u0441 \u0432\u0430\u0448\u0438\u043c vLLM.\u0412\u043e\u043f\u0440\u043e\u0441 \u043a \u0442\u0435\u043c, \u043a\u0442\u043e \u0433\u043e\u043d\u044f\u0435\u0442 vLLM \u0432 \u043f\u0440\u043e\u0434\u0435: \u0441\u0432\u0435\u0440\u044c\u0442\u0435 # GPU blocks \u0438\u0437 \u0441\u0432\u043e\u0435\u0433\u043e \u043b\u043e\u0433\u0430 \u0441\u0442\u0430\u0440\u0442\u0430 \u0441 \u0442\u0435\u043c, \u0447\u0442\u043e \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0436\u0435\u0442 ridgepoint fit \u043d\u0430 \u0432\u0430\u0448\u0435\u0439 \u043c\u043e\u0434\u0435\u043b\u0438. \u0421\u043e\u0432\u043f\u0430\u043b\u043e? \u0418 \u043b\u043e\u0432\u0438\u043b\u0438 \u043b\u0438 OOM \u0442\u0430\u043c, \u0433\u0434\u0435 \u043f\u043e \u0440\u0430\u0441\u0447\u0451\u0442\u0443 \u0432\u0441\u0451 \u0432\u043b\u0435\u0437\u0430\u043b\u043e?\u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 https:\/\/habr.com\/ru\/articles\/1079788\/<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-493874","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/493874","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=493874"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/493874\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=493874"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=493874"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=493874"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}