头版Folia Daily Briefing
← 返回头版
科技人工智能

Cloudflare Workers AI 推出三项优化技术实现大模型高效规模化推理

Cloudflare Workers AI 发布了针对 GPU 推理的三项关键优化技术,用于高效运行 Moonshot Kimi K-series 和 Z.ai GLM 等大规模长上下文混合专家模型[1]。这些优化包括 KV 缓存量化、模型权重压缩和共享 KV 缓存完整性检查,在保持模型准确性的前提下,使单个 GPU 能承载更多并发请求并降低服务成本[1]。

KV 缓存量化是首项重点优化。通过将缓存从 BF16 精度降低至 FP8,Kimi K2.6 在内存中能容纳的上下文长度从约 686,000 tokens 增至约 1.37 million tokens,提高约 2 倍[1]。在并发能力上,BF16 缓存支持最多 32 个并发请求,而 FP8 可达 64 个,使总吞吐量达到 2,192 tokens/秒,相比 BF16 峰值高出 41%,最终成本降低约 30%[1]。

模型权重压缩进一步优化了存储和计算效率。GLM 5.2 的权重从 8 位浮点压缩至 4 位整数(INT4),使检查点大小从 705 GB 减少至 421 GB,降幅约 40%[1]。在 8 路张量并行部署中,单个 GPU 的内存占用从 88 GB 降至 52 GB[1]。INT4 权重同时加快了解码阶段的速度,GLM 在 FP8 下的 prefill 吞吐约 10,160 tokens/秒,INT4 下约 8,660 tokens/秒[1]。

为确保推理过程的可靠性,共享 KV 缓存完整性检查被纳入优化方案,其成本低于 1% 的吞吐量和尾延迟,95% 置信区间上界接近 1%[1]。所有实验和生产流量均基于开源推理框架 SGLang 运行和基准测试[1]。


Kimi K-seriesGLM模型推理优化Cloudflare Workers AI大语言模型量化技术