【LLM推理优化与部署工程⑦】买了8张GPU却只有3倍速度？钱都被这个东西吃掉了

一个让很多人困惑的现象：

单张A100跑Llama3-70B，TTFT大约2秒。买4张A100做张量并行，按理说应该快4倍，实际测下来TTFT是0.8秒——只快了2.5倍。再加到8张，本该再快2倍，实际只有1.3倍提升。

钱花了，速度没到位，差的那部分去哪了？

被GPU之间的通信吃掉了。

大模型为什么需要多张GPU

这个问题的答案很简单：显存不够。

常见模型的显存需求（FP16格式）： 参数量（B） × 2字节 = 显存需求 ───────────────────────────────────── 7B × 2 = 14GB （一张消费级显卡能放下） 13B × 2 = 26GB （需要A100-40G） 70B × 2 = 140GB （需要2张A100-80G） 405B × 2 = 810GB （需要至少10张A100-80G）

放不下就得拆开，分到多张GPU上。怎么拆，就是多GPU推理的核心问题。

主流的方案有两种：张量并行（Tensor Parallelism）和流水线并行（Pipeline Parallelism）。理解这两种方式，你就能明白为什么多GPU不等于等比提速，以及钱到底花在了哪里。

张量并行：把每一层的权重横着切开

张量并行的思路：把模型每一层的权重矩阵，均匀分配到多张GPU上，每张GPU只存和计算一部分，最后把结果合并。

打个比方：原来一个人做一道100步的数学题，张量并行变成4个人，每人做25步，最后把答案加在一起。速度理论上快4倍。

但问题在于"最后把答案加在一起"这一步——这需要GPU之间互相传输数据，这个操作叫AllReduce。

# 张量并行通信量的直觉估算# （不需要精确理解，感受数量级就行）defestimate_allreduce_cost(hidden_dim:int,# 模型隐层维度（70B模型约8192）sequence_len:int,# 序列长度num_layers:int,# 模型层数（70B模型约80层）batch_size:int=1,)->dict:""" 每次前向传播需要传输多少数据 """# 每次AllReduce传输的数据量bytes_per_allreduce=(batch_size*sequence_len*hidden_dim*2# FP16=2字节)# Transformer每层需要2次AllReduce（注意力层+FFN层各一次）total_bytes=bytes_per_allreduce*2*num_layersreturn{"单次AllReduce数据量":f"{bytes_per_allreduce/1024**2:.1f}MB","每次推理总通信量"