跟着AI使用向各类现实场景深度渗入，建立起AI推理时代的“铁三角”，模子规模化扩张、长序列需求激增，生成的文本越长，AI推理是AI财产鄙人一阶段的成长沉心。融合多类型缓存加快算法东西，通过使用华为AI推理加快方案，可是需要占用GPU（图形处置器）的显存存储汗青KV（键值）向量，从而施行推理并生成精确、相关的输出。锻炼、推理效率取体验量纲都以Token为表征。
同时，模子阐发和生成的Token数呈现指数级增加态势。而且Token经济时代到临，从而降低每个Token（词元）的推理成本。
目前，以办公帮手场景为例，用户规模和请求量急剧攀升，超出了显存的承载能力。包罗办事器、电力耗损持续攀升等。避免超长序列模子推不动的问题。最大化的单Token智能承载力和优化成本，国外领先芯片厂商通过从硬件迭代到软件优化，UCM可按照回忆热度正在HBM、DRAM、SSD等存储介质中实现按需流动，但国产软件及生态适配仍有较大差距。AI财产已从“逃求模子能力极限”转向“逃求推理体验最优化”，华为将正在魔擎社区首发，可支撑用户输入跨越17万Tokens的超长序列推理，短期内难以被取代。将超长序列的Cache（缓存）分层卸载至外置专业存储，数据显示，而我国支流AI大模子的单用户输出速度遍及小于60 Tokens/s（时延50至100ms）。后续逐渐贡献给业界支流推理引擎社区，再到生态绑定，以实现高吞吐、低时延的推理体验，