就在昨天，Kimi宣布要把自家底層的大模型推理架構(gòu)Mooncake開源出來！

有媒體稱該架構(gòu)正是承載了月之暗面Kimi線上80%以上流量的正在用的底層架構(gòu)。

小編立馬求證了一番，的確Github上有提到：Mooncake 正在服務(wù)Kimi平臺。而且上線還不到一天就已經(jīng)斬獲了1600+ stars。

圖片

開源地址：https://github.com/kvcache-ai/Mooncake

1.開源最終目標(biāo)：高性能語義存儲的標(biāo)準(zhǔn)接口

“在大模型時代，更多的數(shù)據(jù)、更大的模型、更長的上下文窗口帶來更高的智能，但也對大模型推理系統(tǒng)的效率提出更高挑戰(zhàn)。如何應(yīng)對高推理負載、降低推理成本、降低響應(yīng)延遲成為業(yè)界共同面臨的難題?！?/p>

大家都知道，月之暗面在長文本、深度推理、高并發(fā)等方面一直有著不錯的研究和發(fā)布，這一次Kimi選擇在感恩節(jié)將這個牛逼的技術(shù)開源出來，確實讓大家感到意外和興奮。

據(jù)月之暗面官方公眾號介紹，此次是月之暗面聯(lián)合清華大學(xué)等機構(gòu)開源共建大模型推理架構(gòu)Mooncake。

官方文檔還透露了，本次開源將采用分階段的方式：

逐步開源高性能KVCache多級緩存Mooncake Store的實現(xiàn)，同時針對各類推理引擎和底層存儲/傳輸資源進行兼容。

其中傳輸引擎Transfer Engine現(xiàn)在已經(jīng)在GitHub全球開源。

其最終開源目標(biāo)是，為大模型時代打造一種新型高性能內(nèi)存語義存儲的標(biāo)準(zhǔn)接口，并提供參考實現(xiàn)方案。

月之暗面Kimi工程副總裁許欣然表示：

通過與清華大學(xué)MADSys實驗室緊密合作，我們共同打造了分離式大模型推理架構(gòu)Mooncake，實現(xiàn)推理資源的極致優(yōu)化。

Mooncake不僅提升了Kimi的用戶體驗，降低了成本，還為處理長文本和高并發(fā)需求提供了有效的解決方案。

我們相信，通過與產(chǎn)學(xué)研機構(gòu)開源合作，可以推動整個行業(yè)向更高效的推理平臺方向發(fā)展。

圖片

實際上，這個項目早在今年6月就已啟動，當(dāng)時已受到業(yè)內(nèi)廣泛關(guān)注——

圖片

2.大模型推理架構(gòu)Mooncake核心思路

今年6月24日，月之暗面和清華大學(xué)MADSys實驗室聯(lián)合發(fā)布了Kimi底層的Mooncake推理系統(tǒng)設(shè)計方案。

在這篇名為《Mooncake: A KVCache-centric Disaggregated Architecture for LLM Serving》的論文中，作者詳細介紹了Mooncake這種系統(tǒng)架構(gòu)。

該系統(tǒng)基于以KVCache為中心的PD分離和以存換算架構(gòu)，大幅度提升了推理吞吐。

圖片

論文地址：https://arxiv.org/pdf/2407.00079

具體而言，Mooncake采用以KVCache為中心的解耦架構(gòu)，將預(yù)填充集群與解碼集群分離，并充分利用GPU集群中未充分利用的CPU、DRAM和SSD資源，實現(xiàn)KVCache的解耦緩存。

其核心思路在于以KVCache為中心的調(diào)度程序：

在最大化整體有效吞吐量和滿足與延遲相關(guān)的服務(wù)級別目標(biāo) (SLO) 要求之間取得平衡

當(dāng)面對流量高峰期時，Mooncake通過早期拒絕策略和預(yù)測未來負載的方法，來處理超載問題。

• 早期拒絕策略

簡單說，其核心思想是在請求實際開始處理之前，根據(jù)當(dāng)前系統(tǒng)的負載情況預(yù)測是否有足夠的資源來處理新的請求。

如果預(yù)測結(jié)果表明系統(tǒng)資源不足以保證請求的及時處理，系統(tǒng)就會在請求到達之前予以拒絕，從而避免了無效的資源占用和不必要的延遲。

• 預(yù)測未來負載

在Mooncake中，系統(tǒng)需要能夠預(yù)測在未來一段時間內(nèi)的負載情況，以便做出更準(zhǔn)確的接受或拒絕請求的決策。

3.如何實現(xiàn)？

通常來說，這種預(yù)測會基于當(dāng)前的請求模式、系統(tǒng)的資源使用情況以及歷史數(shù)據(jù)等信息。

再通過對信息的進一步分析建模，Mooncake就能夠估計接下來的請求處理需求，并據(jù)此調(diào)整其調(diào)度策略。

論文實驗結(jié)果顯示，與基線方法相比，Mooncake在某些模擬場景中可以實現(xiàn)高達525%的吞吐量提升，同時遵守SLO（與延遲相關(guān)的服務(wù)級別目標(biāo))。

在實際工作負載下，Mooncake使Kimi能夠處理75%以上的請求。

圖片

而且據(jù)許欣然在其他場合透露：目前這套系統(tǒng)承載了Kimi線上80%以上的流量。

圖片

4.開源陣容相當(dāng)豪華?。。?/h3>

而現(xiàn)在，為了進一步加速該技術(shù)框架的應(yīng)用與推廣，Kimi聯(lián)合清華大學(xué)等機構(gòu)共同發(fā)布開源項目Mooncake。

參與開源的首批陣容包括：

AISoft、阿里云、華為存儲、面壁智能、趨境科技等。

可以說，云計算、存儲、AI模型玩家等產(chǎn)學(xué)研力量都聚齊了。

據(jù)悉，Mooncake開源項目從論文延伸，以超大規(guī)模KVCache緩存池為中心，通過以存換算的創(chuàng)新理念大幅度減少算力開銷，顯著提升了推理吞吐量。

目前Mooncake技術(shù)框架已正式開源上線，官方還表示：

歡迎更多企業(yè)和研究機構(gòu)加入Mooncake項目共建，共同探索更加高效和先進的模型推理系統(tǒng)架構(gòu)創(chuàng)新，讓基于大模型技術(shù)的AI助手等產(chǎn)品，持續(xù)惠及更廣泛人群。

開源實在是一個大殺器，推理架構(gòu)層面的開源，意味著Kimi正在重新定義自己在模型側(cè)的運作模式甚至商業(yè)計劃。希望看到國內(nèi)LLM推理方面的開源能夠進一步助力大模型應(yīng)用的真正爆發(fā)！

參考鏈接：

??https://mp.weixin.qq.com/s/NsKDtC7qp2JxA_EunwSqvg??

??https://mp.weixin.qq.com/s/-0YxV77HnEEtrvxJSSujmQ??

本文轉(zhuǎn)載自??51CTO技術(shù)棧??