Efficient LLM Inference 与 Serving：KV Cache、Speculative Decoding、PagedAttention 和量化

系列：AI 论文盘点 / 技术趋势
日期：2026-07-04
适合读者：研究生、LLM 系统研究者、推理平台与 AI 应用工程师

摘要

2025-2026 年，LLM 系统的主战场正在从“如何训练更大的模型”转向“如何把模型又快又便宜地服务给真实用户”。原因很直接：推理不是一次性成本，而是每个请求、每个 token、每次 agent 工具调用都会持续发生的成本。尤其在长上下文、推理型模型、多轮对话和代码 agent 场景里，瓶颈往往不再是单次矩阵乘法，而是 KV cache 内存、prefill/decode 阶段干扰、请求调度、低 batch 延迟、量化误差、GPU 内核与网络传输共同组成的系统问题。

这篇文章按系统栈梳理 Efficient LLM Inference 与 Serving 的技术路线：PagedAttention 和 vLLM 如何把 KV cache 当作操作系统式分页资源管理；SGLang 的 RadixAttention、vLLM Automatic Prefix Caching 和 Mooncake 的 KVCache-centric 架构如何把“重复上下文”变成可复用资产；speculative decoding、Medusa、EAGLE-3 与 TensorRT-LLM 的工程支持如何把串行 decode 改写成 draft-and-verify；KIVI、QServe、TurboQuant 与 TensorRT-LLM 量化路线如何把低比特从权重扩展到 KV cache；FlashAttention-3 与 FlashInfer 则说明，内核层优化仍然是服务系统的底座。

目录

1. 研究背景：推理为什么成为 AI 基础设施瓶颈
2. 近一年路线图：从单机加速到分层 serving 架构
3. 代表论文分组解读
4. 方法对比表
5. 关键技术趋势
6. 工程落地启发
7. 局限与争议
8. 接下来值得关注的问题
9. 总结
10. 参考资料

研究背景：推理为什么成为 AI 基础设施瓶颈

Transformer 训练时代的核心指标是吞吐、并行效率和训练稳定性；推理时代的核心指标变成了 TTFT（time to first token）、TPOT / ITL（每个输出 token 的延迟）、吞吐、SLO 达标率、显存占用和单位 token 成本。更麻烦的是，这些指标经常互相牵制：增大 batch 能提升吞吐，却可能拉高首 token 延迟；激进量化能降低显存，却可能引入额外反量化开销；长上下文提升能力，却会让 KV cache 线性膨胀。

生成式 LLM 推理有两个阶段。prefill 阶段处理 prompt，通常计算密集、可并行；decode 阶段逐 token 生成，常常受内存带宽、KV cache 读取和串行依赖限制。短问答服务可能主要卡在 decode；RAG、长文档问答和代码仓库 agent 则常常卡在长 prompt prefill 与重复上下文复用。服务系统的难点就在于：不同请求长度、输出长度、采样策略、LoRA adapter、多模态输入、结构化输出和 agent 调用链会混在同一个集群里。

经典的 FlashAttention 把注意力优化带到 IO-aware 层面：不要只看 FLOPs，要看 HBM 与 SRAM 之间读写多少。PagedAttention 进一步把 serving 的核心问题落到 KV cache 管理：KV cache 会随请求动态增长，如果按最大长度预留连续显存，碎片和浪费会直接压低 batch size。到了 2025-2026 年，系统开始更明确地把推理平台视为一个“内存、调度、内核、网络和缓存”共同优化的问题。

近一年路线图

第一条线：KV cache 从副产品变成一等资源。
PagedAttention 让 KV cache 可以按块分页、共享和按需分配；vLLM 的 Automatic Prefix Caching 把共享前缀的 KV cache 复用工程化；SGLang 的 RadixAttention 针对结构化 prompt、多轮对话和程序化 generation 复用前缀；Mooncake 则把 KV cache 放到架构中心，用 CPU DRAM、SSD 和独立 cache 层来服务超长上下文与过载场景。

第二条线：prefill/decode 逐步解耦。
DistServe、Splitwise、Mooncake 和 TensorRT-LLM/vLLM 的 disaggregated serving 示例都指向同一个判断：prefill 与 decode 的资源画像不同，强行 colocate 会导致干扰。2025 年以后的工作进一步探索单 GPU 内部的 prefill/decode 分区、跨节点 KV 传输和 stage-aware scheduling。

第三条线：decode 串行瓶颈用投机和多 token 预测缓解。
Speculative decoding 的核心是“便宜模型先猜，目标模型批量验证”。Medusa 不维护独立 draft model，而是在目标模型上加多头；EAGLE 系列从 feature-level draft 走向 EAGLE-3 的 token prediction 与多层特征融合。TensorRT-LLM 文档到 2026 年已经列出 DraftTarget、Eagle3、NGram、MTP、PARD、DFlash、SA 等多种 speculative decoding 选项，说明它已经从论文技巧变成 serving 框架标配。

第四条线：量化从权重走向端到端 serving。
GPTQ、AWQ、SmoothQuant 等早期路线主要聚焦权重和激活；KIVI 把 2-bit 非对称量化用于 KV cache；QServe 用 W4A8KV4 做算法-系统协同；TensorRT-LLM 支持 FP8、FP4、AWQ/GPTQ 和 FP8/NVFP4 KV cache；2025-2026 的 TurboQuant、KVTC、GPU-accelerated INT8 KV cache 等工作继续把长上下文推理的瓶颈指向 KV cache 压缩。

第五条线：内核库成为 serving 框架竞争力。
FlashAttention-3 面向 Hopper GPU 的异步、TMA、FP8 注意力优化；FlashInfer 则把可组合 attention template、JIT、block-sparse KV 格式和负载均衡调度做成 LLM serving kernel engine，并已被 vLLM、SGLang、MLC-Engine 等集成。推理服务的上层 API 越像云服务，底层就越依赖内核细节。

代表论文分组解读

1. PagedAttention 与 KV cache 内存管理

vLLM / PagedAttention 的贡献不只是“快”，而是重新定义了 serving 内存管理接口。传统实现往往给每个请求预留连续 KV cache 区域，长短请求混合时会产生大量内部和外部碎片。PagedAttention 借鉴虚拟内存，把每个序列的 KV cache 拆成固定大小块，用 block table 做逻辑块到物理块的映射。这样一来，请求不必占用连续物理显存，生成过程中可以按需追加块；共享 prompt、parallel sampling 和 beam search 也可以通过块共享和 copy-on-write 减少重复。

这条线的工程启发是：长上下文 serving 首先是内存系统问题。一个模型是否“能跑满 GPU”，不只取决于 GEMM 吞吐，还取决于调度器能否把更多活跃请求装进显存。vLLM 文档中的 Automatic Prefix Caching 进一步把复用从论文实验带到常见场景：同一长文档被多次查询、多轮聊天复用历史前缀时，新的请求可以跳过共享 prefix 的 prefill 计算。但 APC 也有边界：它主要减少 prefill，不会缩短长回答的 decode。

2. 结构化生成与 prefix 复用

SGLang 的角度更偏“LLM 程序”。当应用不再是一次 prompt 一次 completion，而是包含检索、分支、并行调用、JSON 约束、多轮自洽和 agent 控制流时，系统需要知道哪些上下文可以复用、哪些生成步骤可以并行。SGLang 论文提出前端语言和后端 runtime，后端的 RadixAttention 用 radix tree 管理可共享前缀，减少重复 KV cache 与重复计算。它尤其适合 few-shot、RAG、多轮对话和结构化输出这类共享 prefix 明显的 workload。

这也解释了为什么 2025-2026 年的 serving 框架不再只是“模型加载器”。它们越来越像数据库执行引擎：要理解请求结构、缓存中间状态、调度不同阶段，并在一致性、延迟和吞吐之间做优化。

3. Prefill / Decode 解耦与 disaggregated serving

DistServe 明确提出把 prefill 和 decode 放到不同 GPU 池中，以减少两阶段干扰，并分别优化 TTFT 与 TPOT。Mooncake 进一步把 KV cache 放在架构中心：在 GPU 集群之外利用 CPU DRAM、SSD 和 cache scheduler，目标是支撑 Kimi 这类长上下文聊天服务。TensorRT-LLM 和 vLLM 最新文档也都把 disaggregated serving、KV cache connector、KV offloading 等能力列为重要工程接口。

这里的关键不是“所有场景都应该拆分”，而是拆分让资源规划更精细。短 prompt、长输出的聊天流量可能需要强 decode 池；长文档问答则需要强 prefill 与 cache 复用；agent 工作流还会产生 bursty、可中断、共享上下文的请求。未来的 serving 平台很可能按 workload 动态选择 colocated、chunked prefill、disaggregated prefill/decode、KV offload 或 cache transfer。

4. Speculative decoding：把串行 decode 改成草稿与验证

Leviathan 等人的 speculative decoding 和 DeepMind 的 speculative sampling 都利用一个事实：目标模型一次验证多个候选 token 的代价，常常接近验证一个 token；如果便宜 draft model 能猜中多个 token，就能减少目标模型串行 forward 次数。理论上，带拒绝采样的版本可以保持目标模型采样分布不变。

后续方法开始解决“draft 从哪里来”。Medusa 在模型上加多个解码头，避免维护单独小模型；EAGLE 系列用目标模型内部特征或多层特征构建高接受率 draft；EAGLE-3 在 2025 年报告了对聊天和 reasoning 模型更强的加速效果。TensorRT-LLM 到 2026 年的文档已经把 EAGLE 3、NGram、MTP、Suffix Automaton 等作为可配置选项。这说明 speculative decoding 的工程问题已经从“能否加速”转为“什么 workload、什么 batch size、什么 acceptance rate 下值得启用”。

5. 量化：从模型文件压缩到 serving 协同

低比特量化最容易被误解成“把模型变小”。在 serving 中，更重要的是它改变了内存带宽、cache 容量、反量化开销和 kernel 形态。QServe 的 W4A8KV4 很典型：它不仅提出 4-bit weight、8-bit activation、4-bit KV cache 的 QoQ 算法，还配套实现 QServe runtime，强调低比特如果让 CUDA core 上的反量化变慢，理论压缩不一定转化成吞吐提升。

KV cache 量化尤其重要。KIVI 观察 key cache 与 value cache 的分布不同，分别采用 per-channel 与 per-token 策略，提出 tuning-free 2-bit KV cache 量化。2025-2026 年的 TurboQuant、KVTC、eOptShrinkQ、Fast-TurboQuant 和 GPU-accelerated INT8 KV cache 工作继续沿着“长上下文内存瓶颈”推进。需要注意的是，2026 年的新论文与厂商博客中有些指标仍需按具体硬件、模型、上下文长度和 workload 人工复测，不能直接当成通用 SOTA。

6. 内核与编译：FlashAttention-3、FlashInfer 与硬件协同

FlashAttention 的核心思想是 IO-aware exact attention：通过 tiling 降低 HBM 读写，而不是只优化算子 FLOPs。FlashAttention-3 面向 Hopper GPU，利用 Tensor Core 与 TMA 的异步能力、warp specialization、FP8 等硬件特性，说明 attention kernel 会随着硬件代际持续重写。FlashInfer 则把注意力内核做成 serving-oriented engine，支持多种 KV cache 格式、JIT template 和负载均衡调度。

对工程团队来说，这意味着“换一个 serving 框架”不只是 API 迁移，还可能改变 kernel 后端、CUDAGraph 策略、batch invariance、量化 recipe 和可观测指标。推理性能调优必须用真实请求分布压测，不能只看单条样例或固定长度 benchmark。

方法对比表

关键技术趋势

趋势一：KV cache 会成为推理系统的“数据层”。
未来 serving 不只是加载权重和跑 forward，而是管理可复用 KV、可压缩 KV、可迁移 KV、可过期 KV。长上下文 agent、代码仓库问答和多轮工作流越普及，KV cache 的生命周期管理越像数据库缓存和存储系统。

趋势二：调度器从 batch scheduler 变成 SLO scheduler。
连续 batching 只是起点。系统需要同时看 TTFT、TPOT、输出长度预测、prefix 命中率、GPU 显存水位、KV 传输成本、租户优先级和拒绝策略。Mooncake 的 early rejection、DistServe 的 goodput 优化、Nexus 的 intra-GPU 分区都说明，serving 研究正在从平均吞吐转向尾延迟和 SLO。

趋势三：投机解码会和模型训练共同设计。
早期 speculative decoding 可以外挂小模型；现在 EAGLE-3、MTP、Medusa 等方法暗示，模型可能在训练或 post-training 阶段就为多 token 预测、draft head 或验证路径预留结构。推理系统和模型结构会更强耦合。

趋势四：低比特不是单点算法，而是系统协同。
权重量化、激活量化、KV cache 量化、FP8/FP4 kernel、反量化 fusion、scheduler batch size 都会影响最终收益。只报告 perplexity 或压缩率不够，必须报告端到端 TTFT、TPOT、吞吐和成本。

趋势五：开源 serving 框架会继续向生产栈靠拢。
vLLM、SGLang、TensorRT-LLM、llama.cpp、TGI、MLC 等生态不再只拼单机速度，还会拼 OpenAI-compatible API、Kubernetes 部署、metrics、KV connector、LoRA serving、structured output、reasoning parser 和多硬件后端。

工程落地启发

第一，先做 workload 画像，再选优化。至少要统计输入长度、输出长度、并发、共享前缀比例、流式比例、工具调用链长度和 SLO。没有这些数据，讨论 PagedAttention、spec decoding 或量化都是盲调。

第二，把 TTFT 和 TPOT 分开看。长文档问答的用户可能最敏感 TTFT；代码生成和长回答更敏感 TPOT；agent 内部调用可能更在意总完成时间和并发成本。不同指标会导向不同系统方案。

第三，KV cache 预算要独立规划。不要只问“模型权重占多少显存”。在长上下文和高并发下，KV cache 可能超过权重成为主要显存占用；prefix caching、KV offload、KV quantization 和 cache eviction 需要一起设计。

第四，speculative decoding 需要在线开关和回退。它不是普遍加速器：低 batch、draft 接受率高、目标模型验证效率高时收益明显；大 batch、长复杂推理、draft 与目标分布不匹配时可能退化。生产系统应按模型、请求类型和 batch 状态动态启用。

第五，量化必须端到端压测。权重 4-bit 不等于吞吐翻倍，KV 4-bit 也不等于无损。要同时测任务质量、长上下文召回、结构化输出稳定性、工具调用 JSON 合法率、反量化开销和硬件兼容性。

第六，保留可观测性。至少记录 prefill tokens/s、decode tokens/s、KV cache hit rate、prefix cache 命中、GPU 显存碎片、queueing delay、spec acceptance rate、rejected tokens、per-tenant SLO 和 OOM/eviction 事件。

局限与争议

第一，很多论文指标依赖特定模型、硬件和 workload。比如 EAGLE-3 的加速、QServe 的吞吐提升、TurboQuant 的压缩收益，都不能无条件迁移到私有模型、不同 GPU 或 agent 流量。

第二，系统复杂度正在快速上升。Paged KV、disaggregated serving、KV offload、speculation、量化和多后端部署叠加后，debug 难度会显著增加。一次性能回退可能来自调度、网络、cache 命中、kernel fallback 或 tokenizer 不一致。

第三，质量评估仍不充分。低比特和投机方法常用 perplexity、MMLU、LongBench 或局部任务验证，但生产应用还关心格式稳定、拒答边界、工具参数正确性和多轮一致性。这些指标很少在系统论文中完整覆盖。

第四，生态版本变化快。vLLM、SGLang、TensorRT-LLM 的 feature matrix、支持模型、量化 recipe 和 speculative decoding 实现都在快速演进。本文中涉及 2026 年文档和新闻的部分，建议在部署前以项目最新 release notes 与本地 benchmark 复核。

接下来值得关注的问题

1. KV cache 会不会形成标准化接口？如果 vLLM、TensorRT-LLM、SGLang、LMCache、Mooncake connector 能互通，推理平台会更像可组合存储系统。
2. 推理型模型会不会原生训练 speculative head 或 verifier？这可能让 test-time compute 与 efficient serving 进一步合流。
3. 多模态与 agent workload 会怎样改变调度器？图像、视频、工具调用和代码执行会带来更异构的阶段。
4. 低比特 KV cache 的质量边界在哪里？长上下文检索、数学推理、代码补全和安全拒答可能有不同敏感性。
5. AI-generated kernel 能否进入生产闭环？FlashInfer-Bench 这类工作把 agent 写 kernel、benchmark、替换生产实现连起来，值得持续观察。

总结

Efficient LLM Inference 与 Serving 已经不是单一加速技巧，而是一整套系统工程：KV cache 管理决定能装下多少上下文和并发；调度决定吞吐是否能转化成用户可感知延迟；投机解码挑战 autoregressive 串行瓶颈；量化改变内存、带宽和 kernel 形态；FlashAttention、FlashInfer 这类内核工作则决定框架能否真正吃到硬件红利。

对研究者来说，这个方向的机会在于把算法、模型结构和系统约束一起建模。对工程团队来说，最重要的不是追逐某一个“最快框架”，而是建立可测量、可回退、可分层演进的推理平台：真实流量画像、端到端指标、缓存策略、动态调度、量化验证和版本化 benchmark，才是 2026 年 LLM 应用成本控制的底盘。

参考资料

检索日期：2026-07-04。以下优先列出论文、官方文档、项目主页等一手资料；涉及 2026 年新资料的性能数字建议部署前人工复核。

1. Kwon et al., “Efficient Memory Management for Large Language Model Serving with PagedAttention,” arXiv, 2023. https://arxiv.org/abs/2309.06180
2. vLLM Documentation, “Automatic Prefix Caching,” latest developer preview, accessed 2026-07-04. https://docs.vllm.ai/en/latest/features/automatic_prefix_caching/
3. Zheng et al., “SGLang: Efficient Execution of Structured Language Model Programs,” arXiv, 2023 / NeurIPS 2024. https://arxiv.org/abs/2312.07104
4. Zhong et al., “DistServe: Disaggregating Prefill and Decoding for Goodput-optimized Large Language Model Serving,” arXiv, 2024. https://arxiv.org/abs/2401.09670
5. Qin et al., “Mooncake: A KVCache-centric Disaggregated Architecture for LLM Serving,” arXiv, 2024. https://arxiv.org/abs/2407.00079
6. Leviathan et al., “Fast Inference from Transformers via Speculative Decoding,” arXiv, 2022 / ICML 2023. https://arxiv.org/abs/2211.17192
7. Chen et al., “Accelerating Large Language Model Decoding with Speculative Sampling,” arXiv, 2023. https://arxiv.org/abs/2302.01318
8. Cai et al., “Medusa: Simple LLM Inference Acceleration Framework with Multiple Decoding Heads,” arXiv, 2024. https://arxiv.org/abs/2401.10774
9. Li et al., “EAGLE-3: Scaling up Inference Acceleration of Large Language Models via Training-Time Test,” arXiv, 2025. https://arxiv.org/abs/2503.01840
10. NVIDIA TensorRT-LLM Documentation, “Speculative Decoding,” accessed 2026-07-04. https://nvidia.github.io/TensorRT-LLM/features/speculative-decoding.html
11. Liu et al., “KIVI: A Tuning-Free Asymmetric 2bit Quantization for KV Cache,” arXiv, 2024. https://arxiv.org/abs/2402.02750
12. Lin et al., “QServe: W4A8KV4 Quantization and System Co-design for Efficient LLM Serving,” arXiv, 2024. https://arxiv.org/abs/2405.04532
13. NVIDIA TensorRT-LLM Documentation, “Quantization,” accessed 2026-07-04. https://nvidia.github.io/TensorRT-LLM/features/quantization.html
14. Zandieh et al., “TurboQuant: Online Vector Quantization with Near-optimal Distortion Rate,” arXiv, 2025. https://arxiv.org/abs/2504.19874
15. Staniszewski and Łańcucki, “KV Cache Transform Coding for Compact Storage in LLM Inference,” arXiv, 2025. https://arxiv.org/abs/2511.01815
16. Dao et al., “FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness,” arXiv, 2022. https://arxiv.org/abs/2205.14135
17. Shah et al., “FlashAttention-3: Fast and Accurate Attention with Asynchrony and Low-precision,” arXiv, 2024. https://arxiv.org/abs/2407.08608
18. Ye et al., “FlashInfer: Efficient and Customizable Attention Engine for LLM Inference Serving,” arXiv, 2025. https://arxiv.org/abs/2501.01005
19. Xing et al., “FlashInfer-Bench: Building the Virtuous Cycle for AI-driven LLM Systems,” arXiv, 2026. https://arxiv.org/abs/2601.00227
20. Li et al., “LLM Inference Serving: Survey of Recent Advances and Opportunities,” arXiv, 2024. https://arxiv.org/abs/2407.12391
21. Miao et al., “Towards Efficient Generative Large Language Model Serving: A Survey from Algorithms to Systems,” arXiv, 2023. https://arxiv.org/abs/2312.15234
22. Shi et al., “Nexus: Proactive Intra-GPU Disaggregation of Prefill and Decode in LLM Serving,” arXiv, 2025. https://arxiv.org/abs/2507.06608
23. Tiwari et al., “QuantSpec: Self-Speculative Decoding with Hierarchical Quantized KV Cache,” arXiv, 2025. https://arxiv.org/abs/2502.10424
24. Su, “eOptShrinkQ: Near-Lossless KV Cache Compression Through Optimal Spectral Denoising and Quantization,” arXiv, 2026. https://arxiv.org/abs/2605.02905
25. Pereira et al., “Fast-TurboQuant: A Multiplier-Free Online Vector Quantization Approach,” arXiv, 2026. https://arxiv.org/abs/2606.21448