前言

在vLLM的新版本中有个零开销的前置缓存(Zero-Overhead Prefix Caching)特性，其中零开销是指使用prefix cache和全量计算两种情况下，即使prefix命中率为0，它们的性能也近乎相等。为什么可以做到零开销？这需要分析该特性的具体实现，本文就这个问题展开讨论。

1.问题背景介绍

前置缓存(prefix caching)由于能够降低prefill阶段的计算量从而提升首token性能，被越来越多地使用。其原理是通过跨请求/对话的kv cache复用来减少计算。看一个例子，推理三个不同的请求0,1,2。请求0计算完后可将计算的kv cache保存下来，在请求1计算时前面两个token块的cache就可以复用。同样，请求3可复用3个块，仅需计算tokens_3的内容。

prefix示例

前置缓存设计要考虑的问题：

• 搜索匹配：如何快速匹配新请求的prompt与历史的prompt，找到可复用的kv cache；
• 内存：由于kv cache需要保存在内存中，所要用一定的淘汰策略定期清理；
• 复用内容选择：仅复用prefill阶段kv-cache，还是结合decode阶段内容（当前还不支持PD分离复用）；
• 块的结构大小：每个内存块里面能够容纳多少tokens？选择太长复用率低，太短管理操作成本高；

这些点的变化会影响prefix cache的命中率（hit rate）和推理性能。设计不当时会出现一种情况：当命中率低（复用的kv cache少）时，使用prefix cache特性计算速度比全量计算要低。

在极端情况下，当完全没有匹配的kv cache（即hit rate=0%）时，由于搜索匹配本身需要耗时，这样肯定要比不开prefix cache速度慢。为了发挥prefix cache更大价值，于是就产生了一个问题：如何保证开启prefix cache始终对系统来说都是有正收益的？

尽管prefix cache功能已在vLLM V0中实现，由于存在一定可能导致性能损失，所以默认不开启prefix特性。而到V1版本优化后就可以直接开启，里面做了什么改进？

2.内容分析

在V1版本中主要降低了prefix cache的操作开销，在命中率低场景下prefix cache的创建、查找匹配、管理、淘汰删除等操作基本不影响推理的计算过程。主要进行了：结构优化、操作优化、代码优化。

2.1

vLLM的cache结构优化

在V1版本中对kv cache的管理结构进行了优化，管理对象由seqGroup变为了request id；管理内容得到简化：

• 关键模块：KVcacheManager、BlockPool
• 基本元素：KVcacheBlock，FreeKVCacheBlockQueue。

KVcacheBlock是基础单元，通过它可以构建一个双向链表，其存储信息仅包含block id值、ref_cnt值、block hash值。这个结构有两个好处：

1. 链表中删除block复杂度为O(1)；
2. 不需要引入python的双端队列，简化了存储。

基于KVCacheBlock构建的kv cache架构包括几个关键模块：

• 块池（Block Pool）：存储KVCacheBlock，一般初始化时决定数量，避免多次的python操作。
• 空闲队列（Free Block Queue）：空闲的块的队列，仅存储头尾节点指针信息。
• 缓存块（Cache blocks）：一个map记录hash key 到block id的映射关系，其中的block有kv cache数据
• 请求块（Request blocks）：记录了请求id到block的映射关系。

对比V0：

• 在V0版本中通过LRUEvictor管理空闲队列，其内容相比Free Block Queue复杂；
• PrefixCachingBlockAllocator负责内存块的管理，内容比Block pool复杂；
• V1中cache blocks、request blocks的结构未变，但存储内容上V1更加简单。

2.2

基本操作优化

先分析V0版本的kv cache管理的过程：开辟、释放、淘汰；

• 开辟（allocate）步骤：根据prompt的内容长度计算是否有充足的block，没有返回；若有则到cache_block中去匹配，如果匹配到了block的引用计数+1，没有就直接使用新的block；
• 释放（free操作）：引用计数-1，然后由LRUEvictor管理，
• 淘汰（evictor）主要是维护一个free_table，通过LRU策略淘汰block。

V1的主要操作也是这些，但细节有所不同：

内存开辟步骤：

1. 检查是否有足够的空间为新请求来开辟block；
2. 从cache block检查是否可以复用，可以复用从free队列剔除，引用计数+1；
3. 若无复用数据从free队列中头中弹出一个block用于写数据
4. 如果block写满了数据，则被cached block标记

内存释放：request使用完后，将block送回free队列里面，如果是cached block，引用计数-1，最后的这个block 最先放入队列中，它可能未被cache；

淘汰策略：根据LRU策略淘汰队首的block cache，并从cached blocks字典中去除记录。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

这里分析一下block的状态，如下图所示，所有的block存放在block pool里面，block在free block和cached block里面可能有记录（标记）

• cached block 里面记录历史request请求的block id，这些块中所有的tokens位置都完成了计算。部分计算block不会记录到cached block里面。
• free queue里面标记未被请求占用的block；
• block还一种状态就是被request在使用但内容未完全占满，那么它即不在free queue中、也未被cached block记录。

下面举一个例子来说明block的管理机制，每个block支持最多4个tokens使用，block pool里面有10个block。现在需要处理3个请求，抵达和释放时机如下：

请求的时序

请求0的处理：

请求0的prompt：A-O，如下图，它需要使用block0~3，其中block0,1,2的存储都被使用完，所以其ID会被cache blocks字典记录；block3只使用3个tokens，不会被记录。

请求0 Prefill阶段

请求0的decode阶段时候会生成tokens（假设是两个）如下所示，此时block3也会被cache blocks记录。

请求0的decode阶段

请求1的处理：

请求体1的prompt是14个tokens，有10个tokens与请求体0相同，能够复用block0和block1。block2中尽管有2个tokens相同但是不能够复用，因为必须block的tokens全部相同才能复用。

请求1的处理

cache blocks状态刷新：增加了一个hash值对应A-J,kl，字典记录ID值：0 1 2 3 5

请求体0和请求体1的释放

先释放请求体0资源，再释放请求体1资源

请求体0的释放：blocks 2,3,4按照相反顺序被加到了free queue的队尾。block2和3依然保留了cache block的hash值；block0,1由于被请求1继续使用，不能加入free queue中。

请求体1释放：block0,1,5,6 按照相反顺序加入free queue；cache block记录继续保留。

请求2的处理：

请求2一共有29个tokens：A-L,0-16，根据规则先会到cache blocks去匹配。由于A-L有历史记录，所以会复用blocks0,1,2。 这些block从自由队列中去除，队列ID变为了：7-8-9-4-3-6-5。

接着tokens 0-16需要完成计算，从队列里面弹出5个blocks依次是7,8,9,4,3承载新的计算输出。

cache blocks状态： 由于blocks 3被请求2重新使用，所以它先从cache blocks里面删除(淘汰)。接着，blocks7,8,9,4的hash值会存入cache blocks字典中。

2.3

代码效率提升

整体简化：（代码实现位置vllm/v1/core/)主要功能实现在三个文件中，block和free queue作为独立元素定义在kv_cache_utils里面。block_pool负责block的开辟、释放、cache等操作，还承载free queue；kv_cache_manager 则是对外的接口类（无继承关系），串联所有模块，同时兼容了非prefix的场景。

减少了python对象(object)的使用。比如在cached blocks构建中v1版本就简化存储对象用str和int代替。

KVCacheBlock定义简化。内容仅包括：两个int数据、两个链表指针（python中的对象ID）、hash值。

结构类简化：FreeKVCacheBlockQueue相比LRUEvictor需要操作的内容更少。LRUEvictor单独维护一个free table，且free table里面存储的是BlockMetaData。相比之下v1的管理仅需要维护一个简单双向链表，仅需要存储python id。

由于结构优化、操作优化和代码优化，使得cache命中率为0的场景下性能基本无影响，而只要命中率>0就能提速推理，整体呈现正收益。在vLLM V1版本中，prefix cache经过优化做到了在0命中率的情况下对性能无损，如下图所示是一个对比测试。

---

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】