Prefix Caching

什么是Prefix Caching

在LLM推理应用中，经常会面临具有长system prompt的场景以及多轮对话的场景。长system prompt的场景，system prompt在不同的请求中但是相同的，KV Cache的计算也是相同的；多轮对话场景中，每一轮对话需要依赖所有历史轮次对话的上下文，历史轮次中的KV Cache在后续每一轮中都要被重新计算。这两种情况下，如果能把system prompt和历史轮次中的KV Cache保存下来，留给后续的请求复用，将会极大地降低首Token的耗时。如果Prefix Cache和Generated KV Cache都可以缓存，在多轮对话的应用中，忽略边界情况，基本上可以认为其消除了历史轮次中生成对话的recompute。

Ascend vllm提供prefix caching关键特性能力，能够显著降低长system prompt和多轮对话场景首token时延，提升用户体验。其优势主要包括：

• 更短的prefill时间：由于跨请求的重复token序列对应的KV Cache可以复用，那么就可以减少一部分前缀token的KV Cache计算时间，从而减少prefill的时间。
• 更高效的显存使用：当正在处理的请求相互之间存在公共前缀时，公共前缀部分的KV Cache可以共用，不必重复占用多份显存。

约束限制

• 该特性不能和ascend_scheduler_config同时使用。
• 由于Chunked Prefill默认打开，需要在ascend_scheduler_config生效的前提下才可以关闭，因此当前Prefix Caching生效时Chunked Prefill也是生效。
• 多模态模型暂不支持prefix cache。
• Qwen2.5和Qwen3系列模型支持此特性。
• 当跨请求公共前缀token数大于等于Page Attention中的block size，才会进行公共前缀token的KV Cache复用。

Prefix Caching参数设置

启动推理服务时，使用Prefix Cache特性需要配置的补充参数如表1所示，对应的代码样例如表2所示。

LLM(model="facebook/opt-125m", enable_prefix_caching=True)

python -m vllm.entrypoints.openai.api_server \
--model=facebook/opt-125m

执行推理参考

1. 配置服务化参数。Ascend vllm使用该特性需参考表1和表2，其它参数请启动推理服务（大语言模型）。
2. 启动服务。具体请参考启动推理服务（大语言模型）。
3. 精度评测和性能评测。具体请参考推理服务精度评测和推理服务性能评测。