返回全部题目← 上一题40 / 81下一题 →题库/模型基础与推理/Q-4717大模型解码速度为什么经常受显存带宽限制？知识专题：推理优化与模型压缩题目类型：原理机制技术难度：进阶收录题集：6 份暂无参考答案未标记未标记待复习已掌握收藏询问 AI选择 AI 平台KimiKimi（新窗口打开）Qwen千问（新窗口打开）OpenAIChatGPT（新窗口打开）自动带入当前题目本题目录收录题集相关题目收录题集6 份AI Infra 面试指南阿东玩 AI · AgentGuide · 1 条原题查看题集 →为什么 decode 阶段常比 prefill 更难跑满 GPU？LLM推理系统问答阿东玩 AI · AgentGuide · 2 条原题查看题集 →原文作者Lamhot Siagian / AI Engineering Insider Why is memory bandwidth, rather than raw compute (FLOP/s), typically the bottleneck in LLM decoding?A colleague argues that since FLOP/s keeps growing faster than memory bandwidth, inference will soon be compute-bound. How do you respond?AI系统与训练推理工程阿东玩 AI · AgentGuide · 1 条原题查看题集 →【MoE推理优化】如何解决MoE推理时的显存带宽瓶颈？ 「字节跳动」大模型基础面试题阿东玩 AI · AgentGuide · 1 条原题查看题集 →为什么推理速度受限于显存带宽？LLMOps 与生产应用AMIT SHEKHAR · ai-engineering-interview-questions · 1 条原题查看题集 →Why is prefill compute-bound and decode memory-bandwidth-bound?展开剩余 1 份题集AI Infra：训练、推理与 GPU 平台工程Onefly · zero2Agent · 1 条原题查看题集 →如何从模型结构估算参数量、FLOPs、训练显存、推理访存与 MFU？相关题目4 题0274Decoder-only 的 KV Cache 为什么缓存 K、V 而通常不缓存 Q？同一知识专题题目类型：原理机制技术难度：进阶相关面经：2 篇0277FlashAttention 为什么能节省显存并提速，是否改变注意力结果？同一知识专题题目类型：原理机制技术难度：进阶相关面经：2 篇0502有哪些大模型推理加速技术？同一知识专题题目类型：方案设计技术难度：进阶相关面经：3 篇0503模型剪枝、GPTQ 与 AWQ 量化方法。同一知识专题题目类型：比较选型技术难度：进阶相关面经：3 篇♥♥♥♥♥← 上一题已到最后一题← 上一题什么是 Prefill 与 Decode 分离，为什么要分离部署？下一题 →用 Python 和 PyTorch 实现自回归生成的 KV Cache。
