计算所严明玉团队新作： Attention 并非永远是瓶颈，多 GPU 并不一定更快

随着大语言模型逐渐走向真实应用，推理阶段的性能问题正在成为制约落地的关键因素。

模型规模不断增大、上下文持续拉长，再加上 RAG、MoE 等新用法的引入，使得延迟、吞吐和能耗不再只是“调一调参数”的问题，而是直接影响系统架构和算力成本的核心挑战。

围绕这些问题，来自中国科学院计算所的严明玉团队，联合中国电信云计算研究院、浙江实验室和北京大学的研究者，在论文《A Systematic Characterization of LLM Inference on GPUs》中，对大语言模型在 GPU 上的推理行为进行了系统研究。

不同于以往侧重单一模型、单一算子或局部优化的研究路径，严明玉团队从系统和硬件协同的视角出发，通过大规模实验，对大语言模型在 GPU 上的推理行为进行了全面刻画，试图从根本上回答一个长期困扰工程实践的问题：大模型推理为什么会呈现出现在这样的性能特征。

这项工作并没有直接给出如何优化的现成答案，而是首先建立了一套统一、可解释的性能认知框架，将 Prefill 与 Decode 的差异上升为系统级的基本规律，并在不同模型规模、不同硬件平台以及 MoE、RAG 等新型推理范式下进行了验证。

在这一框架下，推理延迟、资源利用率和能耗不再是孤立的指标，而是随着工作负载和系统配置发生有规律的变化。这种从现象出发、最终回到系统根因的研究方式，使得这项工作更像是在为大模型推理建立一张可理解、可推演的性能全景图，而不是提供某个场景下的经验结论。

论文链接：https://arxiv.org/pdf/2512.01644v1

一次对大模型推理性能的系统性拆解

严明玉团队的这项工作通过大量有组织的实验，系统地总结了大语言模型在推理阶段的性能规律，而不是停留在零散的经验观察上。研究团队发现，LLM 的推理过程在本质上可以分成两个完全不同的阶段，而且这种差异并不是靠优化就能消除的。

具体来说，第一个阶段是 Prefill 阶段，主要任务是一次性处理用户输入的 prompt。这个阶段可以并行执行，核心计算是大规模矩阵乘法，因此计算量大、算得很满，GPU 的计算单元利用率很高，整体性能主要受限于算力本身。

第二个阶段是 Decode 阶段，用来逐个生成输出 token。由于生成过程是一步一步进行的，每一步都需要访问已经缓存的上下文信息（KV Cache），实际计算量不大，但内存访问非常频繁，因此性能瓶颈从算力转移到了内存带宽和访问延迟上。

在此基础上，论文进一步指出，推理过程中到底是 Prefill 慢还是 Decode 慢，并不是固定的，而是取决于具体的输入和输出情况。当输入较短时，虽然每一步 Decode 的计算不多，但需要执行很多步，因此 Decode 往往成为主要耗时部分。

而当输入变长时，Prefill 阶段需要处理的 token 数迅速增加，其计算量增长更快，在超过某个长度之后就会反过来成为整体延迟的主要来源。这种从 Decode 主导到 Prefill 主导的转变说明，性能瓶颈更多是由工作负载决定的，而不是模型本身天生慢在哪。

如果进一步拆到模型内部的算子层面，研究团队发现瓶颈同样不是固定的。在常见的上下文长度下，Prefill 阶段的主要时间往往花在前馈网络（FFN）上，但在上下文特别长的情况下，由于注意力计算的复杂度增长更快，Attention 会逐渐成为主要瓶颈。

Decode 阶段的情况则和模型规模有关：对于较小的模型，频繁访问 KV Cache 的 Attention 更容易成为瓶颈；而对于大模型，由于前馈网络权重更大，FFN 的内存加载成本反而更突出。这说明，单纯地说 Attention 是瓶颈或 FFN 是瓶颈都是不准确的，必须结合所处阶段、上下文长度和模型规模来判断。雷峰网

在性能可预测性方面，论文发现 Prefill 阶段的行为非常规律。它的执行时间几乎只由真正需要计算的输入 token 数量决定，而且二者之间呈现非常稳定的线性关系。这意味着，只要知道输入长度和缓存命中情况，就可以比较准确地预测 Prefill 的延迟，这对系统调度和资源规划非常有用。相比之下，Decode 阶段由于是逐步生成，并且受到采样和串行依赖的影响，性能波动更大，也更难提前预测。

在能耗分析中，论文给出了一个非常直观但重要的结论：整个推理过程消耗的能量，几乎全部来自 Decode 阶段。输入有多长，对总能耗影响很小，而输出生成了多少 token，几乎直接决定了能耗大小。同时，模型参数越多，总能耗也会随之增加。这说明，在真实系统中，如果想要降低推理能耗，限制输出长度往往比优化 Prefill 更有效。

在多 GPU 扩展实验中，研究团队发现并行化并不是在所有情况下都有效。Prefill 阶段由于计算量大，把计算分摊到多张 GPU 上通常能带来收益，但 Decode 阶段每一步计算都很小，多 GPU 之间的通信和同步反而会成为负担，导致性能提升不明显甚至变慢。因此，在 Decode 为主的场景下，使用单 GPU 或较轻量的流水并行往往更合适，这也打破了GPU 越多越快的直觉。

最后，论文还分析了新的推理范式。对于 MoE 模型，推理速度主要取决于每次实际参与计算的参数规模，而不是模型的总参数量，这带来了明显的性能优势，但同时，在 Decode 阶段会额外引入专家选择和调度的开销，使性能表现更加复杂。

对于 RAG 工作流，研究团队发现随着外部知识规模变大，系统瓶颈会从 GPU 推理转移到 CPU 侧的检索和内存访问上，形成新的性能限制。尽管推理流程变得更加复杂，但 Prefill 和 Decode 在性能上的根本差异依然存在，仍然是理解整体行为的关键。

面向系统理解的大模型推理实验框架

为了让结论更完整、也更容易理解，这篇论文在实验设计上采用了一种由浅入深的分析思路。研究团队并不是一开始就研究底层硬件细节，而是先观察整体推理性能表现，再逐步深入到 GPU 的执行和存储行为，最后把得到的规律放回到真实系统和新型推理场景中进行验证。雷峰网

在实验平台方面，论文同时使用了数据中心级的 GPU（A100）和边缘设备上的 GPU（Jetson AGX Orin）。这样做的目的，是检验前面总结出的性能规律是否只在高端服务器上成立，还是在算力和内存条件更受限的设备上同样适用。

模型选择上，研究团队覆盖了多种主流的 dense 模型（从 7B 到 32B），同时还引入了一个具有代表性的 MoE 模型，以观察不同参数规模和不同架构设计对推理性能的影响。为了保证对比公平，所有实验都在同一套推理框架和相同精度设置下进行，尽量减少实现细节带来的干扰。

在工作负载设计上，研究团队并没有简单地跑几组固定 benchmark，而是有针对性地设计了多种输入和输出组合。例如，有的任务输入短、输出长，有的输入长、输出短，还有真实对话数据和可控的合成数据。这样的设计是为了有意识地制造 Prefill 占主导或 Decode 占主导的不同场景，从而验证两阶段在不同条件下是否始终表现出不同的性能特征。

在性能分析方法上，论文采用了分层剖析的方式。首先在整体层面上，测量端到端的延迟、吞吐量和能耗，建立对系统行为的直观认识；接着在阶段和算子层面，分析 Prefill 和 Decode 各自占用了多少时间，以及不同算子在其中的作用；最后深入到硬件层面，通过 Roofline 模型、warp 停顿分析，以及缓存命中率和内存带宽使用情况，来判断性能究竟是受限于计算还是受限于内存。

在能耗分析中，研究人员通过高频功率采样并扣除空闲功耗的方式，尽量保证测量结果的准确性。在涉及 RAG 的实验中，还额外使用了 CPU 侧的性能分析工具，专门分析检索阶段的瓶颈来源。

通过这种从“看现象”到“找原因”的逐步分析过程，论文避免了只凭经验判断或简单相关性分析下结论的问题，使得每一个宏观层面的性能现象，都能在底层硬件执行机制上找到清晰的解释。

当问题被看清，优化才有方向

这篇论文的意义不在于提出某一种新的优化技巧，而在于建立了一套统一、可解释的大模型推理性能认知框架。它首次将 Prefill 与 Decode 的阶段差异提升为系统级基本规律，并证明这一规律在不同模型规模、硬件平台和新兴推理范式下均成立。

从工程角度看，论文纠正了多个长期存在的直觉性误解，例如Attention 永远是瓶颈、多 GPU 一定更快、Prefill 是主要能耗来源等，并给出了明确的反例和机制解释。这些结论对实际推理服务的部署策略、资源配置和成本控制具有直接指导意义。

从系统研究角度看，这篇内容为后续工作提供了清晰的问题分解方式：优化 Prefill 和优化 Decode 不应混为一谈，而应针对各自的根本瓶颈分别设计机制。这一思想对调度器设计、并行策略选择以及新硬件特性利用都具有启发作用。

从未来发展看，论文指出了 MoE 和 RAG 等新范式如何重塑瓶颈位置，提示研究者在模型和系统协同设计时需要关注路由开销、内存局部性和 CPU–GPU 协同，而不仅仅是算力规模。

总体而言，这是一篇以实验为基础、以解释为核心、以系统认知为目标的论文，其价值在于回答了“为什么 LLM 推理会这样表现”，而不仅是“如何让它更快一点”。

工作背后的研究者

本文通讯作者为 中国科学院计算技术研究所的严明玉教授。他主要从事计算机体系结构相关研究，研究方向涵盖图机器学习、设计空间探索以及复杂计算系统的性能分析等问题。

参考链接：https://mingyuyan-ict.github.io/MingyuYan-ICT/

在学术研究方面，严明玉教授已在多个国际顶级会议和期刊上发表近 20 篇论文，相关成果发表于 MICRO、HPCA、DAC、ICCAD、IJCAI、IEEE TC、IEEE TPDS 等重要学术平台，覆盖体系结构、系统与应用交叉等多个研究领域。

除科研工作外，严明玉教授也是 IEEE 和中国计算机学会（CCF）的高级会员，并多次担任 HPCA、ISCA、MICRO、IJCAI、ISPASS 等国际会议的技术程序委员会委员或审稿人，长期参与相关领域的学术评审与社区建设。

在学术培养与科研经历方面，他于中国科学院大学获得博士学位，并曾赴美国加州大学圣塔芭芭拉分校进行联合培养。其博士论文曾获得中国计算机学会优秀博士论文奖。此外，他还入选北京市科技新星计划、中国科学院青年创新促进会，并主持或参与中国科学院青年团队项目等科研计划。

总体而言，严明玉教授长期致力于从系统视角理解复杂计算负载在硬件平台上的执行行为，强调通过系统性实验和硬件行为分析揭示性能瓶颈的形成机理，其研究成果兼具理论深度与工程实践价值。