尧图网页设计 
P/D-Device：云与设备间的解耦大语言模型研究总结与翻译一、文章主要内容本文聚焦大语言模型（LLM）在云-设备协同部署中的资源瓶颈问题，提出了名为P/D-Device的云-设备解耦协作方案，旨在同时解决云端资源长期占用导致吞吐量低、设备端资源有限导致首 token 延迟（TTFT）高的核心痛点，具体内容如下：1. 核心问题诊断云端瓶颈：LLM 解码阶段需生成大量 token，采用自回归生成方式，单请求占用解码实例时间长（如生成100个token需3秒，长文本任务甚至达数十秒），即使配备大量 NPU/GPU，吞吐量（TPS）仍受限于请求平均延迟。设备端瓶颈：设备端资源（计算、内存）有限，预填充阶段（compute-bound 阶段）的 TTFT 随提示词长度激增（如8k token 输入需数十秒），且无法维持 LLM 常驻实例；虽有滑动窗口注意力、量化等轻量化技术，但仍难以平衡延迟与性能。协同挑战：云-设备间传输中间数据（如 KVCache，常达 GB 级）面临实时性与数据量矛盾；现有推测性推理等协同方案需频繁通信，易受网络抖动影响，且未考虑长上下文场景下设备端预填充效率。2. P/D-Device 方案设计方案核心是仅在设备端预填充阶段让云端提供部分协助 P/D-Device: Disaggregated Large Language Model between Cloud and Devices
P/D-Device：云与设备间的解耦大语言模型研究总结与翻译一、文章主要内容本文聚焦大语言模型（LLM）在云-设备协同部署中的资源瓶颈问题，提出了名为P/D-Device的云-设备解耦协作方案，旨在同时解决云端资源长期占用导致吞吐量低、设备端资源有限导致首 token 延迟（TTFT）高的核心痛点，具体内容如下：1. 核心问题诊断云端瓶颈：LLM 解码阶段需生成大量 token，采用自回归生成方式，单请求占用解码实例时间长（如生成100个token需3秒，长文本任务甚至达数十秒），即使配备大量 NPU/GPU，吞吐量（TPS）仍受限于请求平均延迟。设备端瓶颈：设备端资源（计算、内存）有限，预填充阶段（compute-bound 阶段）的 TTFT 随提示词长度激增（如8k token 输入需数十秒），且无法维持 LLM 常驻实例；虽有滑动窗口注意力、量化等轻量化技术，但仍难以平衡延迟与性能。协同挑战：云-设备间传输中间数据（如 KVCache，常达 GB 级）面临实时性与数据量矛盾；现有推测性推理等协同方案需频繁通信，易受网络抖动影响，且未考虑长上下文场景下设备端预填充效率。2. P/D-Device 方案设计方案核心是仅在设备端预填充阶段让云端提供部分协助