A Lua escura enviou esta rodada de pré-preenchimento para o centro de dados remoto, o cache KV via Ethernet de ida e volta, a melhoria de 54% na taxa de transferência é realmente impressionante, finalmente o contexto longo não precisa mais consumir toda a largura de banda local

ME News relata que a face obscura da lua e a Tsinghua propuseram 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 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 homogêneo, e um aumento de 32% em relação ao heterogêneo simples.