Tsinghua + Moon's Dark Side desta vez separou o pré-preenchimento, o cache KV pode suportar a rede Ethereum, o aumento de 54% na taxa de transferência realmente é excelente, a estrutura de custos para inferência de contexto longo vai mudar completamente

ME News reporta que, no lado obscuro da lua, a Tsinghua apresentou no arXiv o Prefill-as-a-Service, que executa a fase de pré-preenchimento de inferência de grandes modelos entre centros de dados. Através de um modelo de atenção híbrido, reduz significativamente a taxa de transferência do cache KV, permitindo que o cache seja transmitido por Ethernet e retornado para a decodificação no cluster local. A arquitetura PrfaaS monta um cluster de pré-preenchimento independente, roteando apenas solicitações de alto contexto não atendidas, enquanto solicitações curtas permanecem no PD local; além disso, introduz roteamento por limite de comprimento e escalonamento sensível à largura de banda. Testes com um modelo híbrido de 1T parâmetros mostraram um aumento de 54% na taxa de transferência em relação ao PD homogêneo, e 32% em relação ao método heterogêneo simples.