Orc’s WIKI

Orc Hwang

CS336-LLM-From-Scratch 시리즈의 10단계입니다. 전체 지도는 CS336 커리큘럼에서 볼 수 있습니다. (9강 — 스케일링 법칙 1에서 이어집니다.)
스케일링에서 잠시 벗어나, 학습이 끝난 모델을 실제로 굴리는 이야기입니다. 추론(inference)은 채팅·코드 완성·배치 처리뿐 아니라, 평가·test-time compute(생각하기)·RL 학습(샘플링)의 바탕이기도 합니다. 그리고 학습은 한 번이지만 추론은 무한히 반복됩니다(OpenAI는 하루 1,000억 단어, Cursor는 하루 10억 줄 생성). 이 강의(Percy Liang)의 한 문장 — 추론은 메모리 한계(memory-limited)의 게임이고, 그 한가운데에 KV 캐시가 있다.
한눈에 보기
추론은 두 단계로 갈립니다 — 프롬프트를 한꺼번에 처리하는 prefill(연산 한계, 빠름)과 토큰을 하나씩 뽑는 generation(메모리 한계, 느림). 느린 쪽의 병목이 KV 캐시이고, 가속 기법은 전부 “메모리 이동을 줄이는” 한 방향입니다.
flowchart TD
 P["prefill 프롬프트 병렬 처리 (연산 한계 · 빠름)"] --> G["generation 토큰 1개씩 순차 (메모리 한계 · 느림)"]
 G --> KV["병목 = KV 캐시"]
 KV --> L1["KV 캐시 줄이기 GQA·MLA·local attention"]
 KV --> L2["트랜스포머 너머 SSM·linear·diffusion"]
 KV --> L3["양자화·가지치기"]
 KV --> L4["speculative decoding (무손실 가속)"]
 KV --> L5["서빙 시스템 continuous batching·PagedAttention"]
핵심 지표 셋 — TTFT(첫 토큰까지 시간), 지연(latency)(이후 토큰 도착 속도), 처리량(throughput)(초당 총 토큰). 대화형은 지연이, 배치는 처리량이 중요합니다.
두 단계: prefill vs generation
5강의 산술 강도(arithmetic intensity, FLOPs/byte)가 다시 핵심입니다. 행렬곱 X(B×D)·W(D×F)의 강도는 대략 B입니다 — H100에서 B > ~295면 연산 한계(좋음), B=1(행렬-벡터)이면 강도 1로 메모리 한계(나쁨)입니다.
prefill: 프롬프트의 모든 토큰을 한꺼번에 처리(학습처럼 병렬) → 연산 한계, 빠름. TTFT가 여기서 결정됩니다.
generation: 토큰을 하나씩 자동회귀로 생성. 각 토큰이 과거에 의존해 병렬화 불가, 매 스텝이 사실상 B=1 → 메모리 한계, 느림.
이 순차성이 추론을 어렵게 만드는 근본 원인입니다.
KV 캐시
순진하게 하면 토큰마다 시퀀스 전체를 다시 어텐션해 T²가 듭니다. 과거 토큰의 K·V를 캐시해 두면 새 토큰만 계산하면 되어 ~T로 줄어듭니다. 대신 메모리를 먹습니다.
KV 캐시 크기 = B(시퀀스) × S(토큰) × L(층) × K(KV 헤드) × H(헤드 차원) × 2(K·V) × 2(BF16)
산술 강도를 두 부분으로 나눠 보면 generation이 왜 메모리 한계인지 분명해집니다.
MLP: 강도 = B·T. prefill(T=S, 큼)은 좋지만 generation(T=1)은 B(동시 요청 수)가 커야 효율이 납니다.
어텐션: 강도 = S·T/(S+T). prefill(T=S)은 ~S로 좋지만 generation은 항상 ~1 — 게다가 B에 무관합니다. 시퀀스마다 고유의 KV 캐시를 들고 있어 배치로 묶어도 절약이 안 되기 때문입니다. 어텐션은 generation에서 본질적으로 메모리 한계입니다.
지연 vs 처리량
메모리 한계라, 지연은 곧 “옮겨야 할 바이트 ÷ 대역폭”입니다. Llama-2-13B(H100) 기준:
B=1: 약 8ms/토큰, 124토큰/s — 지연 최소.
B=16: 지연은 늘지만 처리량 급증.
B=256: 처리량 증가가 둔해지고(수확 체감), 무엇보다 KV 캐시가 240GB라 H100에 안 들어갑니다.
즉 작은 배치 = 낮은 지연, 큰 배치 = 높은 처리량이고, 배치 상한은 메모리가 정합니다. 한편 추론의 한 가지 병렬화는 아주 쉽습니다 — 모델을 M개 복제하면 통신 없이 처리량이 ×M(지연은 그대로).
KV 캐시 줄이기 = 사실은 아키텍처
병목이 KV 캐시라면, 그걸 줄이는 게 핵심입니다. 그런데 KV 캐시를 줄이는 기법은 대부분 모델 아키텍처 변경입니다 — 이 추론 강의가 “사실은 아키텍처 강의”인 이유입니다. 관건은 정확도를 너무 잃지 않으면서 캐시를 줄이는 것.
기법
 아이디어
 비고
 
GQA (그룹 쿼리)
 KV 헤드 수를 줄이고 쿼리 헤드는 많게
 Llama 3 채택
 
MLA (잠재 어텐션)
 KV를 저차원 잠재 c로 투영
 DeepSeek, 16k→512
 
CLA (층 간 공유)
 KV 투영을 층끼리 공유
 GQA가 헤드 간 공유라면 CLA는 층 간
 
Local/sliding-window
 최근 K 토큰만 어텐션 → 캐시가 상수 크기
 표현력 위해 global 층과 혼합(예: 6층 중 1층 global)
 
트랜스포머를 넘어
더 급진적으로, 자동회귀 + 풀 어텐션이라는 병목 자체를 바꿉니다. 트랜스포머는 학습 효율로 설계됐지 추론을 염두에 두지 않았으니까요.
방향
 아이디어
 현황
 
State Space Models
 선형 동역학으로 상수 크기 상태 유지(T² 회피)
 S4→Mamba. associative recall이 약점 → 하이브리드(Jamba: 8층 중 1층만 트랜스포머)
 
Linear attention
 커널 근사로 어텐션을 RNN처럼 선형화
 MiniMax 456B. 여전히 가끔 풀 어텐션 필요
 
Diffusion
 모든 토큰을 병렬 생성 후 반복 정제
 Inception Labs. 토큰/s가 압도적, 일반성은 미지수
 
공통점: 풀 어텐션 층을 줄이면 시퀀스 길이에 비례하던 KV 캐시가 상수로 바뀌어 추론이 빨라집니다.
양자화와 가지치기
아키텍처를 안 바꾸고 비트·파라미터를 줄이는 손실(lossy) 기법입니다.
양자화(quantization): 정밀도를 낮춥니다 — FP32(학습)→BF16(추론 기본)→FP8/INT8→INT4. 메모리·전송이 줄어 빨라지나 정확도가 위태롭습니다. 문제는 큰 네트워크의 이상치(outlier) — LLM.int8은 이상치만 16비트로 따로, 나머지는 INT8로; AWQ는 활성화를 보고 어느 가중치를 양자화할지 정해 INT3까지(약 3× 가속). 보통 학습 후 양자화(post-training).
가지치기(pruning): 덜 중요한 층·헤드·차원을 떼어낸 뒤 distill로 복구(NVIDIA: 15B→8B→4B, MMLU 손실 적음).
Speculative decoding: 무손실 가속
위 기법들은 손실이라 “원본만큼 좋은가?”가 늘 걸립니다. Speculative decoding(Google 두 팀이 동시 제안)은 손실 없이 가속합니다. 열쇠는 검증(prefill, 병렬)이 생성(순차)보다 빠르다는 비대칭입니다.
# 싼 draft 모델로 앞서가고, 큰 target 모델로 한꺼번에 검증
draft_tokens, p = draft_model.generate(prompt, k) # 작은 모델로 K개 자동회귀 (빠름)
 # p[t] = draft가 draft_tokens[t]에 준 확률
q = target_probs_at(prompt, draft_tokens) # 큰 모델 한 번의 검증(병렬)으로
 # q[t] = target이 '같은' draft_tokens[t]에 준 확률
for t in range(k):
 if random() < min(1, q[t] / p[t]): # Q/P 확률로 수락 (Metropolis-Hastings류)
 accept(draft_tokens[t])
 else:
 accept(sample_from((q[t] - p[t]).clamp(min=0))) # 거부: 보정 분포에서 1토큰 재표집해 방출
 break
# 결과는 target 모델에서 뽑은 '정확한' 샘플 — 손실 없이 보통 ~2배 가속
작은 draft 모델(예: target 8B에 draft 1B)이 K개를 자동회귀로 만들고, target 모델이 한 번의 prefill로 전부 채점합니다. min(1, Q/P)로 수락, 거부 시 보정 분포 (Q−P)₊에서 재표집 — 그래서 결과는 target 모델의 정확한 샘플입니다. Medusa·EAGLE 같은 변형이 활발합니다.
서빙 시스템
실제 트래픽은 요청이 제각각(도착·길이·공유 프리픽스가 다 다름)이라, 학습의 빽빽한 토큰 블록과 다릅니다.
Continuous batching: 배치가 끝나길 기다리지 않고, 매 스텝 스케줄러로 돌아와 새 요청을 즉시 끼워 넣습니다(GPU가 노는 시간 최소화).
Selective batching: 어텐션은 시퀀스별로 따로, 하지만 연산의 대부분인 MLP는 길이가 달라도 flatten해 한 배치로 처리.
PagedAttention (vLLM): KV 캐시를 OS 가상 메모리처럼 페이지(블록)로 쪼개 빈 공간에 배치 → 단편화(fragmentation) 제거. 공유 프리픽스는 copy-on-write로 공유. “운영체제 수업이 추론에 쓰인다.”
성능·복잡도 노트
추론 = 메모리 한계: generation은 사실상 B=1이라 산술 강도가 1. 모든 가속이 결국 메모리 이동 줄이기입니다.
병목은 KV 캐시: 시퀀스마다 고유해 배치로 안 줄어듭니다. 그래서 KV 캐시 축소(GQA·MLA·local)가 1순위 레버.
진짜 큰 이득은 아키텍처에서: 양자화·시스템 최적화는 한계가 있고, SSM·linear·diffusion처럼 병목 자체를 바꾸면 판이 달라집니다.
무손실이 필요하면 speculative decoding: 검증이 생성보다 빠르다는 비대칭을 이용해 정확한 샘플을 ~2배 빠르게.
지연 ↔ 처리량은 배치로 거래: 작은 배치=지연↓, 큰 배치=처리량↑(메모리가 상한).
요약
추론은 메모리 한계의 게임. prefill(병렬·연산 한계)은 빠르고 generation(순차·메모리 한계)이 느리다.
병목은 KV 캐시(B·S·L·K·H·2·2 바이트). 어텐션 generation 강도는 시퀀스마다 캐시가 고유해 항상 ~1.
KV 캐시 줄이기 = 아키텍처: GQA·MLA·CLA·local/sliding-window(+global 혼합).
트랜스포머 너머: SSM(Mamba)·linear attention·diffusion이 풀 어텐션·자동회귀 병목을 우회.
양자화/가지치기(손실) vs speculative decoding(무손실 ~2×) vs 서빙 시스템(continuous batching·PagedAttention).
다음 학습 (Next Learning)
11단계: 스케일링 법칙 2 — 하이퍼파라미터 전이(muP)와 스케일링으로 학습 레시피를 정하기 (상세 포스트 작성 예정)
CS336 9강 — 스케일링 법칙 1 — 유닛 3의 시작
CS336 3강 — 아키텍처와 하이퍼파라미터 — GQA·MLA의 배경(어텐션 변형)

CS336 10강 — 추론(Inference): KV 캐시와 메모리 한계의 게임

댓글