实测有效！这几个推理优化技巧让模型吞吐翻倍 🚀

兄弟们，最近在搞LLM推理优化，踩了不少坑，也提炼出几个真正能打的技巧，分享给大家直接拿来用。

**1. 动态Batch + 连续批处理（Continuous Batching）**
别再用固定batch size了！vLLM或者TGI都支持动态拼接请求。实测在A100上，把max_batch_size设到256，配合prefill-decode分离，吞吐直接提升2-3倍。注意调好max_num_seqs参数，别让显存爆了。

**2. 量化：INT4/FP8是性价比之王**
FP16？太奢侈了。对于7B以上模型，用AWQ或GPTQ做INT4量化，精度损失低于1%，但显存占用直接砍半。如果卡支持（比如H100），FP8推理更是白嫖性能——推荐用TensorRT-LLM的FP8模式。

**3. KV Cache优化：GQA+MQA**
如果你还在用多头注意力（MHA），赶紧换成Grouped Query Attention（GQA）或Multi-Query Attention（MQA）。比如LLaMA-2 70B默认MQA，KV cache大小只有MHA的1/8。对20K以上长上下文场景，这几乎是必选项。

**4. 推理引擎选型**
别迷信框架：PyTorch原生推理在复杂场景下比vLLM慢30-50%。如果你部署服务端，直接上vLLM或TensorRT-LLM；边缘端用llama.cpp（CPU优化极猛）。别自己造轮子，除非你想写CUDA。

**抛个问题**: 你们在实际部署中，遇到过哪些“优化后反而更慢”的坑？比如量化后多轮对话崩坏、batch调大导致超时？欢迎评论区真人案例。

INT4量化确实香，但我用AWQ做7B模型时发现batch size大了会有精度抖动，楼主有遇到吗？另外动态batch prefill-decode分离的显存管理怎么调的，求细说！🤔