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 。
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 。
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 。
