最近了解了下些常见的推理和加速方案：

1、量化方案：

•   gptq、quantization、int8、int4、AWQ、Speculative Decoding、GGUF

2、Attention加速方案：

• atten的不同种类
• fused attention

3、内存层面：

• kv_cache策略、page_attention
• StreamingLLM（这个不能算加速，算技巧）
• batching
• 复用prompt策略
• Continuous batching

4、硬件层面：

• A100最好，越高越好，新的加速硬件
• flash_attention1 & flash_attention2 加速策略
• kernel 算子融合策略
• tensor 并行，分布式

5、模型层面：

• 参数量降低1B？、层数降低、模型结构创新

可能不少遗漏，欢迎各位大佬补充在评论区~

部分经验总结 & 问题：

1、compile 整个模型后的模型确实更快了，如果只compile attention部分加速不大，因为compile优化的空间并不大

2、投机采样测试过程中发现多卡推理 int4 模型出现报错，int8模型没有问题，这个目前没空看了

3、量化确实会带来速度的巨大提升，但是模型效果截图不太方便，效果确实降低了一些

4、AWQ量化后的千问7B模型，效果巨差，暂不确定问题在哪，目测了效果

不同cuda_kernel 的测试结果: default vs sdp-math vs sdp-flash vs sdp-efficient：

vllm & compile测试后的结果:

公众号"小晨的AI工作室"回复: "vllm_test" 获得原图，测试不易，希望点点关注哈~