斯坦福 Hazy Research 团队刚刚发布了一项重量级优化作用：他们将开源模型 Llama-3.2-1B 的盛赞斯坦前向推理整合成了一个“Megakernel”，并将低推迟推理才干面向了极限
。福团 在某些实时性极高的队新运用中 ，例如对话式 AI 和人类参加的作让交互式工作流中，大言语模型的盛赞斯坦呼应速度不只重要
，乃至能够决议用户体会的福团胜败
。 团队以为约束 LLM 推理速度的队新瓶颈其实是在内存加载的问题上 ，他们经过研讨发现 ，作让现有的盛赞斯坦开源推理引擎（如 vLLM 、SGLang） ，福团在极低推迟的队新单序列生成使命下 ，即使在尖端 GPU（如 H100）上
，作让也只能运用不到 50% 的盛赞斯坦内存带宽
。 这首要是福团由于每层 Transformer 模块被拆解成几十到上百个 CUDA kernel ，每个 kernel 履行十分小的队新操作（比方 RMS norm
、注意力 、MLP、Rotary Position Embedding 等） ，它们之间存在许多上下文切换与等候 。 更严峻的是
，这些 kernel 发动与收尾的本钱加起来，并不会被 CUDA Graph 或 PDL（Programmatic Dependent Launch）等机制充沛躲藏 ，反而在短时使命中被扩大 。 换句话说 ，GPU 花了许多时刻“等着干活”，而不是“在干活” 。Hazy 团队的研讨也正是围绕着这个问题打开。 Megakernel ：从零规划的交融思路。先说试验成果，Megakernel在 H100 上的推理推迟紧缩至缺乏 1 毫秒，显存带宽运用率高达 78%，相较于 vLLM 提高了 2.5 倍
、相较 SGLang 提高 1.5 倍；而在更先进的 B200 渠道上
，推迟进一步下降至 600~680 微秒，迫临理论极限 。 从一次完好推理的时刻散布来看 ，250 微秒用于存储激活、等候一致性与数据加载 ，200 微秒用于 RMSNorm 与 matvec（其间 matvec 占比达 95%）
，权重加载仅需 30 微秒 ，流水机制体现安稳 。warp 间同步与 barrier 带来 40 微秒的推迟，其他如 setup 、参数传递与页状况符号等杂项开支算计约 80 微秒 。 全体来看 ，在精心调度下
，Hazy 团队的 Megakernel 简直已将当时硬件功能压榨至极限 。 而能够得到以上作用 ，其实都归功于 Hazy 团队提出的一个急进但有用的规划思路 ：将整个前向传达进程整合为一个单一 CUDA kernel ，也便是所谓的 Megakernel 。 试验中
，他们根据已有 ThunderMLA 架构 ，开发了一个 GPU 上运转的轻量“指令解说器”体系 。该体系为每个 Streaming Multiprocessor（SM）预先分配一段“履行计划” ，其间包括多条按顺序排列的指令 ，每条指令代表 Transformer 模型中的一个结构单元
。 这些指令包括
： 交融 RMSNorm 、QKV projection 、RoPE 的复合指令； attention 矩阵乘与减缩核算（支撑长序列 GQA）； O-projection 与 residual 相加； MLP 的 RMSNorm
、gate 激活（SiLU）与上投影； down projection 和终究 residual； 最终一层 RMSNorm + language modeling head。 每个指令都根据一致的 CUDA 模板构建，完结对 load 、store 、compute 的标准化封装
。指令间依靠由解说器在运转前静态排布 ，每个 SM 能够重复复用同一个 schedule 以处理多个 token 。 此外
，为确保高效的数据途径
，解说器会将这些履行计划按模型结构静态编列，避免调度时动态分支 ，提高吞吐与并发履行才干。 一同为了完结流水化核算并避免 shared memory 抵触 ，团队还对 GPU 的同享内存进行了分页办理 ，例如 ： 将前 213KB 的 shared memory 分为 13 个 16KiB 页面； 剩下部分用于存储指令参数 、页分配信息等； 每条指令在加载前显现恳求页
，完毕后归还给解说器调度器； 当页被开释时
，解说器会当即将其分配给下一条等候中的指令 。 这种机制确保了下一个核算阶段能够尽早开端预加载权重 ，然后最大化带宽运用率并消除“气泡” 。 不过 Megakernel 结构无法依靠传统的 kernel 间隐式同步 ，因而 Hazy 团队还运用了一个计数器体系 ：他们在 global memory 中保护一组整数 ，每条指令完结后会对对应计数器 +1，若某条指令依靠从前进程的成果，它会等候计数器到达特定值才履行 。 例如
：在 MLP 下投影阶段，团队将中心态拆成 4 个 chunk，每个 chunk 在写入后当即触发后续核算，然后完结并行流 。此外 ，团队经过准确设置依靠图 ，避免了大局 barrier ，大幅减少了指令之间等候的糟蹋
，使得整个内核履行尽或许地挨近理论并发
。 
除此之外
，研讨团队还对 CUDA 异步屏障（asynchronous barrier）的功能进行了丈量 ，发现即使在 barrier 已“pass”的状况下 ，每次仍需 60ns ，同步操作本钱不行忽视 。而在实践履行中 ，尤其在 matrix-vector（矩阵乘向量）这类要害操作中，他们发现：在 Hopper 架构（如 H100）上，运用惯例 CUDA 中心（非 Tensor Core）能够更有用 ，不过在 Blackwell 架构上 ，Tensor Core 功能占优 。 这也阐明在硬件不同代代中
，Megakernel 的最佳完结途径也应适配微架构差异 ，而非一套计划通用一切渠道 。 为什么传统推理方法功率如此低下 ？在具体打开 Megakernel 的构建之前 ，Hazy 团队其实先回头梳理了一个要害问题 ：为什么现在干流的 LLM 推理体系 ，在小 batch 、极低推迟这种场景下 ，体现这么“不给力” 。 他们发现 ，像 vLLM 和 SGLang 这样的体系，在处理生成一个 token 这种极限状况时 ，GPU 的显存带宽运用率其实十分低。中心原因是——模型前向进程被拆成了太多太小的 CUDA kernel 。也便是说 ，模型里的每一个小操作（比方 RMSNorm、一个 MLP 层）都是一个独自的 kernel 。这种“微核形式” ，看起来很模块化、易于保护
，但其实躲藏了一个很大的功能坑 。 
每个 kernel 的发动和毁掉
，其实都有固定本钱——你能够把它了解成“换个小使命都要从头开会组织”。在极低推迟场景下，这种“开会”的时刻反而成了主开支来历 。并且 GPU 在运转这些小 kernel 的时分 ，还常常会卡在“尾巴”上——比方一个 kernel 要 512 个线程块跑完，但 GPU 只要 148 个履行单元（SM），那后边的线程块就只能排队等前面的渐渐完毕
，形成许多资源空转
。 即使用上 CUDA Graphs
、PDL（Programmatic Dependent Launch）等加速器
，也仍是得花 1.3～2.1 微秒去发动一个 kernel。而这段时刻
，GPU 其实啥都没干 ，便是在等候环境切换
。更糟的是
，由于这些 kernel 是串行排队履行的 ，后边的 kernel 也无法提早加载它要用的数据 ，导致 GPU 一向时断时续地拜访 global memory ，带宽用不上去
。 这就形成了所谓的 “memory pipeline bubbles”——核算和核算之间总有空档期
，GPU 分明闲不下来，却仍是停在那等 。举个比方：H100 的带宽是 3.35TB/s ，推理 Llama-1B 每次只需要 2.48GB ，理论上 1 秒钟能跑 1350 次 forward pass 。但由于每层模型得跑 7 个 kernel
，一共有 16 层，哪怕每个 kernel 只带来 5 微秒的 stall，总推迟也现已把功能拉到 770 次以内 ，实践或许还更低。 所以，Hazy 团队很明确地说：这个问题不是哪个 kernel 慢的问题 ，而是体系性低效 。一个个去优化 kernel 其实没有用 ，中心是要干掉这些 kernel 鸿沟 ，别再让 GPU 一会做这个 、一会做那个地切换。这便是他们提出 Megakernel 的底子动因 。 现代 LLM ，动辄几十上百层 transformer，每层又包括 RMSNorm 、注意力 、MLP 等等操作 。干流结构为了明晰易调试 ，把这些都拆成一个个小 kernel
，每个做一件小事 ，像流水线上的工人。但问题是，这流水线换手太频频 ，每次“换人”都耽误事 ，还导致 GPU 的显存拜访老是时断时续 ，带宽功率拉垮 。 更要命的是，CUDA 的一些机制尽管看起来是为优化服务的，但在这种极限场景下其实也成了“拦路虎”
。比方 PDL 的 cudaGridDependencySynchronize 会强制等一切使命完结才干持续 ，这就意味着 ，即使有些使命早就预备好了 ，也得一同等着
。 所以归根到底，(大众号 ：)以为现在的推理体系架构
，在“单序列
、毫秒级呼应”这类场景下 ，是低效的，并且是从体系层面低效 。只要重构整个履行方法
，让 GPU 少切换 、多并行
，才有或许真实把它的算力榨干，这正是 Megakernel 的价值地点 。 原创文章 ，未经授权制止转载。概况见转载须知。 
| 
楼主
收藏
点赞