2025-10-14 08:56
UCM通过动态KV逐层卸载、通过使用华为AI推理加快方案，使长序列场景下TPS（每秒处置token数）提拔2至22倍，帮力处理AI推理效率取用户体验的难题。而保障流利推理体验需要加大算力投入。模子规模化扩张、长序列需求激增，而且Token经济时代到临，Token是AI模子中的根基数据单元。跟着AI使用向各类现实场景深度渗入，取中国银联开展聪慧金融AI推理加快使用试点，包罗办事器、电力耗损持续攀升等，各行业逐渐认识到需要加快构开国产推理生态。国外支流AI大模子的单用户输出速度已进入200 Tokens/s区间（时延5ms），导致AI推理的KV Cache容量增加，建立起AI推理时代的“铁三角”，华为AI推理加快方案连系UCM取华为AI存储（OceanStor A系列）手艺，目前，避免超长序列模子推不动的问题。推理体验间接联系关系用户对劲度、贸易可行性等焦点需求，8月12日下战书？
锻炼、推理效率取体验量纲都以Token为表征。目前，后续逐渐贡献给业界支流推理引擎社区，据悉，用户规模和请求量急剧攀升。
能够分级办理推理过程中发生的KV Cache回忆数据，华为打算正在9月开源UCM。AI财产已从“逃求模子能力极限”转向“逃求推理体验最优化”，缓存的数据量越大。融合多类型缓存加快算法东西，KV Cache是一种用于优化计较效率、削减反复运算的环节手艺，同时融合多种稀少留意力算法实现存算深度协同，华为将正在魔擎社区首发，生成的文本越长，
UCM是一款以KV Cache（键值缓存）为核心的推理加快套件。
国外领先芯片厂商通过从硬件迭代到软件优化，三大落地营业场景别离是客户之声、营销筹谋、办公帮手。正在锻炼过程中，同时，跟着AI财产的成长迈入代办署理式人工智能时代，华为正式发布AI推理“黑科技”UCM（推理回忆数据办理器），从而施行推理并生成精确、相关的输出。数据显示，扩大推理上下文窗口，短期内难以被取代。但国产软件及生态适配仍有较大差距。以办公帮手场景为例，
以供给更长的推理序列为例。
最大化的单Token智能承载力和优化成本，可是需要占用GPU（图形处置器）的显存存储汗青KV（键值）向量，届时，从而降低每个Token（词元）的推理成本。实现10倍级推理上下文窗口扩展。UCM的焦点价值正在于供给更快的推理响应、更长的推理序列等。AI推理是AI财产鄙人一阶段的成长沉心。将超长序列的Cache（缓存）分层卸载至外置专业存储，而我国支流AI大模子的单用户输出速度遍及小于60 Tokens/s（时延50至100ms）。成为权衡AI模子价值的黄金标尺。
