
  <rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
    <channel>
      <title>HANS</title>
      <link>https://www.hansking.cn/blog</link>
      <description>A posts created with Next.js and Tailwind.css</description>
      <language>en-us</language>
      <managingEditor>admin@hansking.cn (HANS)</managingEditor>
      <webMaster>admin@hansking.cn (HANS)</webMaster>
      <lastBuildDate>Sun, 28 Sep 2025 10:00:00 GMT</lastBuildDate>
      <atom:link href="https://www.hansking.cn/tags/推理优化/feed.xml" rel="self" type="application/rss+xml"/>
      
  <item>
    <guid>https://www.hansking.cn/blog/2026/KVCacheLLM-tui-li-wei-shen-me-hui-bei-xian-cun-ka-zhu</guid>
    <title>KV Cache：LLM 推理为什么会被显存卡住</title>
    <link>https://www.hansking.cn/blog/2026/KVCacheLLM-tui-li-wei-shen-me-hui-bei-xian-cun-ka-zhu</link>
    <description>[{&quot;value&quot;:&quot;KV Cache：LLM 推理为什么会被显存卡住&quot;,&quot;url&quot;:&quot;#kv-cachellm-推理为什么会被显存卡住&quot;,&quot;depth&quot;:1},{&quot;value&quot;:&quot;一、先理解自回归生成&quot;,&quot;url&quot;:&quot;#一先理解自回归生成&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;二、KV Cache 为什么会占很多显存&quot;,&quot;url&quot;:&quot;#二kv-cache-为什么会占很多显存&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;三、Prefill 和 Decode 对 Cache 的使用不同&quot;,&quot;url&quot;:&quot;#三prefill-和-decode-对-cache-的使用不同&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;四、为什么连续批处理需要更聪明的 Cache&quot;,&quot;url&quot;:&quot;#四为什么连续批处理需要更聪明的-cache&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;五、前缀缓存可以复用，但必须确认边界&quot;,&quot;url&quot;:&quot;#五前缀缓存可以复用但必须确认边界&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;六、Cache 量化和压缩要用质量换算&quot;,&quot;url&quot;:&quot;#六cache-量化和压缩要用质量换算&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;七、Cache 管理要考虑取消、抢占和恢复&quot;,&quot;url&quot;:&quot;#七cache-管理要考虑取消抢占和恢复&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;八、上下文窗口不是无限记忆&quot;,&quot;url&quot;:&quot;#八上下文窗口不是无限记忆&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;九、如何压测 KV Cache&quot;,&quot;url&quot;:&quot;#九如何压测-kv-cache&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;总结：缓存是速度和空间的交换&quot;,&quot;url&quot;:&quot;#总结缓存是速度和空间的交换&quot;,&quot;depth&quot;:2}]</description>
    <pubDate>Sun, 28 Sep 2025 10:00:00 GMT</pubDate>
    <author>admin@hansking.cn (HANS)</author>
    <category>AI</category><category>LLM</category><category>KV Cache</category><category>GPU</category><category>推理优化</category>
  </item>

  <item>
    <guid>https://www.hansking.cn/blog/2026/SpeculativeDecoding-yong-xiao-mo-xing-jia-su-da-mo-xing</guid>
    <title>Speculative Decoding：用小模型加速大模型</title>
    <link>https://www.hansking.cn/blog/2026/SpeculativeDecoding-yong-xiao-mo-xing-jia-su-da-mo-xing</link>
    <description>[{&quot;value&quot;:&quot;Speculative Decoding：用小模型加速大模型&quot;,&quot;url&quot;:&quot;#speculative-decoding用小模型加速大模型&quot;,&quot;depth&quot;:1},{&quot;value&quot;:&quot;一、为什么自回归生成慢&quot;,&quot;url&quot;:&quot;#一为什么自回归生成慢&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;二、基本流程是什么&quot;,&quot;url&quot;:&quot;#二基本流程是什么&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;三、小模型不需要和大模型一样聪明&quot;,&quot;url&quot;:&quot;#三小模型不需要和大模型一样聪明&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;四、速度收益取决于接受率&quot;,&quot;url&quot;:&quot;#四速度收益取决于接受率&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;五、为什么结果可以保持目标模型分布&quot;,&quot;url&quot;:&quot;#五为什么结果可以保持目标模型分布&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;六、KV Cache 管理决定能不能跑得快&quot;,&quot;url&quot;:&quot;#六kv-cache-管理决定能不能跑得快&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;七、不同任务的收益不同&quot;,&quot;url&quot;:&quot;#七不同任务的收益不同&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;八、工程上常见的失败原因&quot;,&quot;url&quot;:&quot;#八工程上常见的失败原因&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;1. 草稿模型太慢&quot;,&quot;url&quot;:&quot;#1-草稿模型太慢&quot;,&quot;depth&quot;:3},{&quot;value&quot;:&quot;2. Tokenizer 不兼容&quot;,&quot;url&quot;:&quot;#2-tokenizer-不兼容&quot;,&quot;depth&quot;:3},{&quot;value&quot;:&quot;3. 采样参数不一致&quot;,&quot;url&quot;:&quot;#3-采样参数不一致&quot;,&quot;depth&quot;:3},{&quot;value&quot;:&quot;4. 并发下显存不足&quot;,&quot;url&quot;:&quot;#4-并发下显存不足&quot;,&quot;depth&quot;:3},{&quot;value&quot;:&quot;5. 只测平均值&quot;,&quot;url&quot;:&quot;#5-只测平均值&quot;,&quot;depth&quot;:3},{&quot;value&quot;:&quot;九、上线前怎么评估&quot;,&quot;url&quot;:&quot;#九上线前怎么评估&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;总结：让小模型猜，让大模型负责&quot;,&quot;url&quot;:&quot;#总结让小模型猜让大模型负责&quot;,&quot;depth&quot;:2}]</description>
    <pubDate>Sun, 26 Oct 2025 10:00:00 GMT</pubDate>
    <author>admin@hansking.cn (HANS)</author>
    <category>AI</category><category>LLM</category><category>Speculative Decoding</category><category>推理优化</category><category>性能优化</category>
  </item>

    </channel>
  </rss>
