本文揭秘了 LLM 推理中 Token 输出速度差异的现象核心在于 KV 缓存的设计。通过矩阵运算和线性代数的简化解释文章阐述了 KV 缓存如何通过存储历史 Token 的 K、V 值避免重复计算从而加快新 Token 的生成速度。同时也指出了 KV 缓存带来的显存占用问题以及一些优化手段如 grouped-query attention 和 multi-query attention。对于想要深入了解 LLM 推理过程的读者来说本文提供了清晰的思路和实用的知识。1/ LLM 如何生成 TokenTransformer 会先处理整段输入里的所有 Token并给每个 Token 产出一个 hidden state。接着这些 hidden state 会被投影到词表空间变成 logits词表里每个词一个分数。真正用于采样下一个 Token 的只是最后一个 Token 对应的 logits。采样出新 Token 后把它拼回输入然后重复这个过程。关键点就一句话生成下一个 Token 时真正必需的是最新那个 Token 的 hidden state。其他 hidden state 多数只是中间产物。2/ Attention 到底在算什么在每一层 Transformer 里每个 Token 都会得到三个向量queryQ、keyK、valueV。Attention 先用 Q 和 K 做乘法得到分数再用分数对 V 加权。把视角收缩到最后一个 TokenQK^T 的最后一行会用到两类信息最后一个 Token 的 Q外加序列里所有 Token 的 K。这个最后一行对应的 attention 输出同样需要最后一个 Token 的 Q以及全部的 K 和 V。这就很明确了为了算出我们唯一关心的那个 hidden state每一层 attention 都要拿到最新 Token 的 Q再配上历史全部 Token 的 K 与 V。3/ 重复计算到底重复在哪生成第 50 个 Token需要 Token 1 到 50 的 K、V。生成第 51 个 Token需要 Token 1 到 51 的 K、V。问题在于Token 1 到 49 的 K、V 早就算过而且不会变。输入没变输出当然不变每一步还从头再算一遍工程上看真的让人崩溃的。单步是 O(n) 的冗余计算整段生成累积下来就是 O(n²) 的浪费。4/ KV cache 怎么修这个问题办法不复杂每一步都重算全部 K、V不如把已经算好的 K、V 存起来。每来一个新 Token只做下面几件事只为最新 Token 计算 Q、K、V。把新的 K、V 追加进 cache。从 cache 里取出历史全部 K、V。用新的 Q 对完整的 K、V cache 跑 attention。这就是 KV cache 的核心。每一层、每一步只新增一个 K 和一个 V其余都直接读内存。话虽这么说attention 的计算量仍会随序列长度增长因为你还是在看全部 K、V。真正昂贵的地方是 K、V 投影这部分从每一步都算变成每个 Token 只算一次。5/ 为什么第一个 Token 慢TTFT现在就能解释首 Token 延迟了。你把 prompt 发给模型后它会先做一次完整前向把整段输入每个 Token 的 K、V 都算好并写进 cache。这一段叫 prefill通常是整次请求里最吃算力的阶段。cache 热起来后后续每个 Token 基本只要单 Token 前向就行。这个首 Token 延迟就叫 time-to-first-tokenTTFT。prompt 越长prefill 越久等待就越明显优化 TTFTchunked prefill、speculative decoding、prompt caching是另一个大题目。不管具体优化手段怎么选底层规律没变建 cache 贵读 cache 便宜。6/ 代价省算力吃显存KV cache 本质是在拿内存换计算。每一层都要为每个 Token 存 K、V以 Qwen 2.5 72B80 层、32K context、hidden dim 8192为例单个请求就可能吃掉数 GB 的 GPU 显存。并发一高KV cache 往往比模型权重本身还占地方。这也是为什么会有 grouped-query attentionGQA和 multi-query attentionMQA让多个 query head 共享 key/value head显著降内存质量损失通常可控。这也解释了为什么 context window 翻倍很难做。窗口翻倍单请求 KV cache 也翻倍可承载并发用户数自然会掉下来。7/ 一页总结KV cache 把自回归生成里的重复计算砍掉了。历史 Token 的 K、V 固定不变只算一次并缓存新 Token 只补自己的 Q、K、V再拿完整 cache 做 attention。工程实践里常见到 5x 左右提速。代价是显存占用上升而且在大规模服务时这个约束经常比纯算力更先撞线。vLLM、TGI、TensorRT-LLM 这类主流服务栈底层都建立在这套思路上。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】