A lua escura jogou essa pré-preenchida para rodar em múltiplos data centers, o cache KV consegue suportar Ethernet, o throughput do modelo de 1T aumentou direto em +54%, tem algo de bom nisso

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