大数跨境
首页
>
一文算清 LLM 推理显存：权重 + KV Cache + 额外开销，怎么做才不翻车？
>
0
0

一文算清 LLM 推理显存：权重 + KV Cache + 额外开销，怎么做才不翻车？

一文算清 LLM 推理显存：权重 + KV Cache + 额外开销，怎么做才不翻车？ AI 原力注入
2026-01-11
7
导读：本文拆解LLM推理显存三大来源：模型权重、KV Cache与运行时开销，给出可复现的KV Cache通用公式与单Token增量估算，解释并发与上下文为何线性吃显存，并用 Qwen3-0.6B + A1

 

在 LLM 的推理与部署中，显存通常是最先触达的系统性瓶颈：它同时约束了单卡可加载的模型规模、可服务的并发请求数（Batch Size），以及可支持的上下文长度（Context Window）。尤其在自回归生成（autoregressive decoding）场景中，显存会随输入与输出 Token 的累积而持续增长，进而影响吞吐与延迟的稳定性。

1. 推理显存的构成

与训练过程不同，推理过程不需要存储梯度（Gradients）和优化器状态（Optimizer States）。在主流 LLM 推理系统中，显存占用可以拆解为三类：

  1. 1. 模型权重（Model Weights）：静态占用，取决于模型参数量和精度。
  2. 2. KV Cache（Key-Value Cache）：动态占用，随着序列长度和 Batch Size 线性增长。
  3. 3. 中间激活（Intermediate Activations）：动态占用，推理时的临时计算缓冲区，通常较小。

需要强调的是，上述仅为理论显存占用。实际部署时还会有框架运行时开销（如 CUDA 上下文、算子 workspace、内存分配器碎片等），因此在估算总显存时应预留一定 buffer。

Efficient Memory Management for Large Language Model Serving with PagedAttention by vLLM

2. 模型权重（Model Weights）

这是显存占用的“基本盘”。无论是否进行推理，加载模型本身就需要占用这部分显存。

近似估算公式：

其中：

  • •  ：模型参数量（Parameters）。
  • •  ：每个参数占用的字节数（Bytes per parameter）。

常见精度下：

  • • FP16/BF16： ；
  • • INT8： ；
  • • INT4： 。

注：INT8/INT4 的估算通常未计入量化权重的 metadata（如 scale / zero-point 或 per-group scaling 参数），实际占用会略高，且不同推理框架的存储格式可能不同。

以 “Qwen3-0.6B” 为例（数量级估算）：

  • • FP16： （十进制约 1.2 GB； ）。
  • • INT8：约为 FP16 的一半。
  • • INT4：约为 FP16 的四分之一。

广告：
混合专家系统（MoE）图解指南之好书推荐：《图解大模型：生成式AI原理与实践》

3. 关键模型参数说明

在深入计算 KV Cache 之前，我们需要先明确几个决定显存占用的核心模型参数。以 Hugging Face transformers 库中常见的 config.json 为例（参考 Qwen3-0.6B）：

  • • hidden_size ( )：模型隐藏层的维度大小。
    • • 它定义了 Token Embedding 的大小，通常也决定了注意力头的维度： 。
    • • 直接影响模型权重大小和 KV Cache 的总容量。
  • • num_hidden_layers ( )：模型的层数（Transformer Blocks）。层数越多，需要缓存的 KV 对就越多。
  • • num_attention_heads ( )：注意力头的总数量。
  • • num_key_value_heads ( )：用于 Key 和 Value 的头数量。
    • • 在标准 MHA (Multi-Head Attention) 中， 。
    • • 在 GQA (Grouped-Query Attention) 或 MQA (Multi-Query Attention) 中， ，这能显著降低 KV Cache 的显存占用。
  • • max_position_embeddings：模型支持的最大上下文窗口长度。这是   (Sequence Length) 的理论上限。
  • • vocab_size：词表大小。
    • • 主要影响 Embedding 层和最后的 LM Head 层的参数量。
    • • 注：若配置中 tie_word_embeddings: true，则这两层共享参数。
  • • intermediate_size：MLP 层（Feed Forward Network）的中间维度。
    • • 在传统结构（如 BERT/GPT-2）中通常为  。
    • • 在现代使用 SwiGLU 激活的模型（如 Llama, Qwen）中，该值通常设定为   的近似值。
    • • 特例：在 Qwen3-0.6B 中，该值为 3072 ( )。这直接影响模型权重大小。

理解这些参数对于准确估算显存至关重要，尤其是在处理使用了 GQA 技术的现代大模型（如 Llama-2-70B, Qwen1.5-72B 等）时。

4. KV Cache 显存

KV Cache 是 LLM 推理优化中“空间换时间”的关键技术。在自回归生成阶段，如果不缓存历史 Token 的 Key/Value，则每一步解码都需要重复计算前缀部分的注意力相关结果，导致计算复杂度显著上升。实际系统通常采用 KV Cache 以换取更低的计算量与更稳定的延迟。

4.1 KV Cache 的物理结构与推导过程

为了理解 KV Cache 的显存公式，我们需要深入到模型内部，看一个 Token 在进入显存时究竟发生了什么。

4.1.1 显存中的 KV Cache 结构

对于每一个 Token，在每一层，模型都会生成对应的 Key 和 Value 张量。假设模型的隐藏层维度为  ，注意力头总数为  ，则每个头的维度  。

  • • Key Tensor: 形状为 [N_kv, D_head]
  • • Value Tensor: 形状为 [N_kv, D_head]

其中   是用于存储 KV 的头数（在 MHA 中等于  ，在 GQA 中小于  ）。

我们可以将整个 KV Cache 想象成一个巨大的三维矩阵，随着生成的 Token 数量增加，这个矩阵在“序列长度”方向上不断变长：

  
  
  
   
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
     
     
     
      
      
      
     
     
     
     
     
     
      
      
      
       
       
       
        
         
 
         
       
      
      
      
     
     
     
     
     
     
      
      
      
       
       
       
        
         
         
          
           

            单层结构 (Layer i)
           
 
           
          
         
       
       
       
       
        
         
       
       
       
       
        
         
          
           
x Head_Dim
 
           
          
        
        
         
          
           
x Head_Dim
 
           
          
         
       
       
       
       
        
         
         
          
          
           

            Key Heads (N_kv)
           
 
           
          
        
        
         
         
          
          
           

            Key Matrix
           
 
           
          
        
        
         
         
          
          
           

            Value Heads (N_kv)
           
 
           
          
        
        
         
         
          
          
           

            Value Matrix
           
 
           
          
        
        
         
         
          
          
           

            Sequence Length (S)
           
 
           
          
         
       
      
      
      
      
      
      
       
       
       
        
         
         
          
           

            GPU 显存 (Total KV Cache)
           
 
           
          
         
       
       
       
       
        
         
       
       
       
       
        
         
          
           
 
           
          
        
        
         
          
           
 
           
          
         
       
       
       
       
        
         
         
          
          
           

            Layer 1 Cache
           
 
           
          
        
        
         
         
          
          
           

            Layer 2 Cache
           
 
           
          
        
        
         
         
          
          
           

            ... Layer L Cache

4.1.2 逐步推导公式

  1. 1. 单层、单 Token 的大小：
    我们需要存储 Key 和 Value 两个矩阵。
  2. 2. 引入模型参数  ：
    利用关系  ，替换上式中的  ：
     整理后：
  3. 3. 扩展到全模型（  层）：
  4. 4. 扩展到总并发 ( ) 和总长度 ( )：

最终得到我们熟知的通用公式。

4.2 KV Cache 的通用估算公式

考虑到现代 LLM 普遍采用 MHA（多头注意力）或 GQA（分组查询注意力），我们将 KV Cache 的显存计算公式展开为包含模型核心参数的形式：

其中：

  • •  ：同时缓存 Key 和 Value 矩阵。
  • •  ：KV 数据的精度（Bytes）。通常 FP16/BF16 为 2。
  • •  ：模型层数（num_hidden_layers，见第 3 节定义）。
  • •  ：并发请求数（Batch Size）。
  • •  ：当前上下文总长度（Prompt + Generated），最大不超过 max_position_embeddings。
  • •  ：模型隐藏层维度（hidden_size，见第 3 节定义）。
  • •  ：GQA/MQA 的优化系数（KV 头数与总头数之比）。
    • • 对于 MHA（如 Llama-1/Qwen-1），该比值为 1。
    • • 对于 GQA/MQA，该比值在不同模型间差异很大（例如有的模型为 1/8 或 1/4，也存在 1/2 的配置），会线性影响 KV Cache 的显存占用。

对于 FP16/BF16 ( )，公式可简化为：

4.3 每 Token 的 KV Cache 体积

为了计算单个并发请求下，每增加 1 个 Token 所带来的显存开销（即 KV Cache 的单位密度），我们将  （单并发）和  （单 Token）代入上式（FP16/BF16）：

这条公式非常关键：它说明 KV Cache 的显存与序列长度、并发呈严格线性关系，而 GQA 技术通过降低   比率直接减少了该系数。

4.4 例：Qwen3-0.6B 的单 Token KV Cache

以 Qwen3-0.6B 为例，根据其模型配置（见第 3 节），我们可以计算出极其紧凑的单 Token 显存占用：

  • • 
  • • 
  • • 
  • •   (GQA, ratio = 0.5)
  • • 单 Token KV Cache：

相比于传统的 13B 级模型（单 Token 约 0.8 MB），小模型配合 GQA 技术使得 KV Cache 极小，这意味着在同样的显存预算下可以支持极大的并发或超长的上下文。

5. 中间激活与临时缓冲

在推理过程中，除了权重和 KV Cache，还需要显存来存储算子计算的中间结果（如 Attention 的打分矩阵、MLP 第一层的扩维输出等）。与 KV Cache 不同，这些中间张量通常在一次前向计算后即可释放，因此一般不会随生成 Token 累积。

  • • 特点：用完即弃，不随序列长度累积，但受 Batch Size 和上下文长度影响较大。
  • • 阶段差异：Prefill 阶段一次性处理完整 Prompt，中间张量规模通常更大；Decode 阶段每步仅处理 1 个新 Token，中间开销通常更小（仅存储单层激活）。

工程估算建议：

显存中的“非权重、非 KV”部分实际上包含两块：

  1. 1. 固定系统开销：CUDA Context、框架运行时（如 PyTorch 的 CUDA 初始化与内存分配器元数据）、算子 workspace 等。该值受驱动版本、CUDA 版本、框架版本与算子选择影响较大，业界没有统一的“固定值”。实践中常见量级为数百 MB 到 1 GB+，建议以实际环境 nvidia-smi/框架统计为准（机制说明见参考资料 3-4）。
  2. 2. 动态激活：与 Batch Size 呈线性关系。

因此，原本“权重显存的 20%”这一经验法则在不同推理框架/模型结构下并不稳健，且对小模型尤其容易低估固定开销。对于 Qwen3-0.6B 这样的小模型，更建议预留 1 GB ~ 2 GB 的固定余量作为工程 buffer（并在上线前以真实工作负载压测校准），而不是按权重比例计算。

在容量规划时，为安全起见，我们通常建议：总显存预算 - 权重 - 2GB = 可用 KV Cache。这 2GB 包含了系统开销、激活值以及碎片冗余。
在工程实践中，也可将该项理解为 “减去 1 GB ~ 2 GB 的固定 buffer（保守取 2 GB）”。

6. 端到端估算流程（容量规划）

在做推理容量规划时，建议按如下步骤计算，并明确每一步的假设：

  1. 1. 确定权重精度与并行方式，估算  。
  2. 2. 选定服务侧目标：最大并发  、最大总长度  （Prompt + Output），估算  。
  3. 3. 预留系统开销与中间激活（ ）。
    • • 大模型（>7B）：可按权重的 20% 估算。
    • • 小模型（<1B）：建议直接预留 1 GB ~ 2 GB 固定值（保守取 2 GB），并在真实负载下校准。
  4. 4. 检查是否满足：

下面给出一段伪代码，描述如何将上述公式落地到估算器中（示例仅用于说明计算流程）：


   
   
   
    
   
   
   # 输入：模型结构与服务目标 (Qwen3-0.6B)
P = 0.6e9         # 参数量（Parameters）
L = 28            # 层数（num_hidden_layers）
H = 1024          # 隐藏维度（hidden_size）
B = 32            # 并发（Batch Size）
S_prompt = 512    # 输入长度（prompt tokens）
S_gen = 512       # 输出长度（generated tokens）
N_attn = 16       # 注意力头数
N_kv = 8          # KV 头数 (GQA)

# 权重与 KV 精度
bw = 2            # FP16/BF16：2 bytes
bkv = 2           # FP16/BF16：2 bytes

# 计算：权重显存（Bytes）
mem_weights = P * bw

# 计算：KV Cache 显存（Bytes）
# 注意：引入 GQA 系数 N_kv / N_attn
S_total = S_prompt + S_gen
mem_kv = 2 * bkv * L * B * S_total * H * (N_kv / N_attn)

# 计算：系统开销与中间激活（Bytes）
# 对于小模型，通常建议预留固定 buffer（例如 1.5 GB ≈ 1.4 GiB）涵盖 CUDA Context + Activation + 碎片冗余
mem_overhead = 1.4 * 1024**3

mem_total = mem_weights + mem_kv + mem_overhead

7. 案例：A100-40G + Qwen3-0.6B（FP16）

假设单卡 A100-40G，运行 Qwen3-0.6B（BF16），并以“KV Cache 为主要可增长项”的场景来理解并发与长度的约束关系。下文为便于手算，使用 GiB 作为容量单位，并将“显存预算”视为 nvidia-smi 可见的总显存（实际可用预算还会因驱动/显示/多进程等因素而略小）。

7.1 静态门槛

  • • 权重显存：约 1.12 GiB（即 1.2 GB）。
  • • 系统开销预留：约 1.4 GiB（即 1.5 GB，含 CUDA Context + Activation + 余量）。
  • • 可用显存： （其中 “40” 为示例预算，工程上请以实际机器 nvidia-smi 读数替换该值）。

7.2 并发与长度的约束（KV Cache 主导近似）

用“可用于 KV 的显存预算 / 单 Token KV”来估算可容纳的 Token 总量：

沿用上文   ( ) 的单 Token KV Cache，预算为 37.48 GiB：

这意味着我们可以同时在显存中容纳超过 70 万个 Token！

这些 Token 需要分配给全部并发请求，因此最大并发可估算为：

给出几个典型   下的理论最大并发：

  1. 1.  ： 。
  2. 2.  ： 。
  3. 3.   ( )： 。

结论：对于 0.6B 这样的小参数模型，配合 GQA 技术，显存几乎不再是瓶颈。在 A100 这样的硬件上，主要的瓶颈可能会转移到计算能力或显存带宽，而不是显存容量。这也解释了为什么小模型非常适合部署在端侧设备或消费级显卡上。

8. 速查公式（用于估算）

在估算 LLM 推理资源需求时，可使用以下速查公式：

  1. 1. 总显存需求（预算）：
  2. 2. KV Cache 估算（单卡、FP16/BF16）：
  3. 3. 最大并发数估算（KV 主导近似）：

其中   的单位需要与分母保持一致（推荐统一使用 Bytes，或统一使用 GiB 并在分子分母同时除以  ）。

通过深入理解显存构成，我们可以更科学地进行硬件选型和系统优化，在成本与性能之间找到最佳平衡点。

参考资料

  1. 1. Tw93, “llm 参数量-计算量-显存占用分析”, URL: https://www.armcvai.cn/2024-09-20/llm-params-flops.html
  2. 2. LMCache, "KV Cache Size Calculator", URL: https://github.com/LMCache/LMCache/tree/dev/examples/kv_cache_calculator
  3. 3. PyTorch Documentation, "CUDA memory management", URL: https://pytorch.org/docs/stable/notes/cuda.html#cuda-memory-management
  4. 4. NVIDIA, "CUDA C++ Programming Guide", URL: https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html

 

【声明】内容源于网络
0
0
AI 原力注入
微软 CEO 萨提亚曾说：“所有产品都值得用 AI 重做一遍。” 我们正处在一场深刻变革中，唯有用 AI 赋能自身，才能拥抱未来。原力注入从云原生迈向 AI 新时代，期待在这个伟大时代中持续成长、不断突破。
内容 515
粉丝 0
AI 原力注入 微软 CEO 萨提亚曾说：“所有产品都值得用 AI 重做一遍。” 我们正处在一场深刻变革中，唯有用 AI 赋能自身，才能拥抱未来。原力注入从云原生迈向 AI 新时代，期待在这个伟大时代中持续成长、不断突破。
总阅读226
粉丝0
内容515