Chunked Prefill

什么是Chunked Prefill

Chunked Prefill（Splitfuse）特性的目的是将长prompt request分解成更小的块，并在多个forward step中进行调度，只有最后一块的forward完成后才开始这个prompt request的生成。将短prompt request组合以精确填充step的空隙，每个step的计算量基本相等，达到所有请求平均延迟更稳定的目的。

关键行为：

1. 长prompts被分解成更小的块，并在多个迭代中进行调度，只有最后一遍迭代执行输出生成token。
2. 构建batch时，一个prefill块和其余槽位用decode填充，降低仅decode组batch的成本。

其优势主要包括：

• 提升效率：通过合理组合长短prompt，保持模型高吞吐量运行。
• 增强一致性：统一前向传递大小，降低延迟波动，使生成频率更稳定。
• 降低时延：通过平衡prefill和decode的计算利用率，降低请求P90_ttft（time to first token）、P90_tpot(time per output token)时延。在短输入、短输出且高并发的场景优势明显。

约束限制

• 该特性不能和Prefix Cache(APC)、KV Cache量化特性同时使用。
• Qwen系列模型支持此特性。
• v1 默认开启；开启 vllm_ascend 能力时候，应当额外配置，否则将被默认关闭，配置方式见下表（注：第1，3点情况下，chunked_prefill特性将被开启，第2点情况下，chunked_prefill特性将被关闭）。

Chunked Prefill参数配置

Chunked Prefill的依赖参数如下表所示。

--additional-config="ascend_scheduler_config": {
"enabled": true
}

--additional-config="ascend_scheduler_config": {
"enabled": true,
"chunked_prefill_enabled": true, #如果不配置本参数为true，则chunked_prefill特性此时是处于默认关闭的状态。
}

执行推理参考

1. Ascend vllm使用Chunked Prefill特性需参考表1，其它参数请参考启动推理服务（大语言模型）。
2. 启动推理服务请参考启动推理服务（大语言模型）。