K8s上部署70B大模型：显存碎片化优化方案实测对比

刚跑完一轮测试，分享一下关于70B大模型在K8s集群上部署的显存优化经验。大家知道，LLM推理时显存碎片化是个坑，尤其是用VLLM或TensorRT-LLM时，调度器一多，碎片率能飙到30%以上。

我对比了三种方案：1）原生PyTorch + 静态内存池；2）VLLM默认配置；3）手写CUDA内存池（基于cudaMallocAsync）。实测在4卡A100（80G）上部署Llama3-70B，Q4量化后显存占用约40G。结果：

- 原生方案碎片率28%，吞吐量仅120 tokens/s
- VLLM默认用PagedAttention，碎片率降到12%，吞吐量提到210 tokens/s
- 自定义内存池配合分区分配，碎片率压到5%以下，吞吐量245 tokens/s

关键细节：K8s里别忘了设置`shareProcessNamespace: true`，否则多进程共享内存池会报错。另外，HuggingFace格式转成TensorRT-LLM的Engine时，`max_batch_size`设64起步，不然显存利用率上不去。

核心思路就是：显存碎片本质是生命周期不一致导致，用分区或分页策略隔离不同大小请求。社区有现成的triton-inference-server插件，直接集成更省事。大家有踩过其他坑吗？欢迎交流。