序列并行

目录

序列并行#

在单卡显存不足以部署模型的时候，通常会以 TP 的方式进行部署，而这一般要求 num_key_value_heads 被 TP 整除。如果要以 TP > num_key_value_heads 的方式进行部署，需要创建 kv-heads 的副本，以满足整除需求。但是这样会有两个缺点：

  1. 可用的 kvcache 数量减半，进而减少请求最大推理长度

  2. 降低推理的最大 batch 数量，减少吞吐量。

为了解决这个问题，TurboMind 推理后端支持设置 attn_dp_size，避免了创建 kv-heads 的副本，但是这会引入数据的不均衡性。为了消除数据的不均衡，TurboMind 支持了序列并行，支持将 kv_cache 交错存储到不同的 cp_rank 上，例如

cp_rank=2, prompt_len=5, generation_len=4
kv_cache stored on cp_rank0: 0, 2, 4, 6, 8
kv_cache stored on cp_rank1: 1, 3, 5, 7

在序列并行模式下，cache_block_seq_len 仍表示每个 rank 的一个 k/v cache block 实际存放的 token 数。调度器中对应的逻辑块覆盖 cache_block_seq_len * cp 个全局 token。因此每个 rank 上 k/v block 的显存大小不变，而整块前缀复用和只读 cache 边界按更大的全局跨度计算。

使用说明#

以 Intern-S1 / Qwen3-235B-A22B 为例，他们的 num_key_value_heads 为 4，若要用 TP=8 的方式部署，并避免 kv_cache 的拷贝，可以用如下的方式部署

lmdeploy serve api_server internlm/Intern-S1 --tp 8 --cp 2

lmdeploy serve api_server Qwen/Qwen3-235B-A22B --tp 8 --cp 2
目录