标签：#LLM #vLLM #PagedAttention #CUDA #Inference #SystemDesign

📉 前言：显存碎片的“诅咒”

在 vLLM 出现之前，HuggingFace Transformers 的默认推理极其浪费显存。
LLM 推理是自回归的（生成一个 Token，存入 KV Cache，再生成下一个）。传统的 KV Cache 管理方式是预分配 (Pre-allocation)：
假设最大序列长度是 2048，系统就会直接在显存里划出一块能存 2048 个 Token 的连续空间。

问题来了：

1. 内部碎片：用户只问了句 “Hi”，占用了 5 个 Token，剩下的 2043 个 Token 空间全部闲置，但无法被其他请求使用。
2. 外部碎片：不同请求的长短不一，导致显存中充斥着无法合并的小空洞。

这导致 GPU 显存利用率通常不到20%。显存塞满了，但没跑几个并发请求，吞吐量自然上不去。

💡 一、 灵感来源：操作系统的虚拟内存

vLLM 的作者从操作系统（OS）中找到了灵感。
OS 是怎么解决内存碎片的？分页 (Paging)。

• 逻辑上连续的内存（虚拟内存），物理上可以是离散的（物理页框）