线上大模型服务的延迟怎么拆解？哪些部分你能优化、哪些是硬上限？

面试官在考什么

考察延迟分析能力，能区分可控与不可控项

推理与部署批处理KV Cache可观测性

回答框架 · 前两步

1. 拆解：网络往返 + 排队等待 + prefill（算首 token）+ decode（逐步生成）+ 后处理
2. 可控项：批处理与调度策略降排队、KV 缓存与量化降单步耗时、缩短输出与提示词、流式输出改善体感

同一能力域的其他题

• 解释一下 KV Cache 是什么、为什么能加速推理，以及它带来的显存代价怎么算。
• 推理服务里 continuous batching 和静态 batching 有什么区别？为什么前者吞吐更高？
• 模型量化你了解哪些方案？训练后量化（PTQ）和量化感知训练（QAT）怎么选？量化后精度掉了怎么定位？
• 显存优化除了量化还有哪些手段？请按"省的是什么"把它们分类。
• 你有单卡 A100 80G，要上线一个 7B decoder-only 模型，同时承接两个业务：业务 A 是长 prompt（约 4k tokens）短输出（约 100 tokens）的摘要，业务 B 是短 prompt（约 200 tokens）长输出（约 1k tokens）的代码补全。团队让你在 vLLM 和 TensorRT-LLM 之间二选一。请给出你的选择和判断依据，并具体说明 PagedAttention 在 A、B 两个业务上带来的收益分别体现在哪里、哪个业务上收益相对不明显，为什么。
• 你们要上线一个 13B 对话模型，SLA 是 P99 TTFT < 1.5s、平均 TPOT < 40ms。流量特征是白天峰值 QPS 是凌晨的 8 倍，输入长度 P50=300 token、P99=6000 token。模型权重每周要热更一次，业务方后续还想在同一张卡上挂 2~3 个 LoRA adapter 做灰度。团队已经在 vLLM 上跑通了原型；TensorRT-LLM 只在离线 benchmark 里跑过，同卡同 batch 下吞吐比 vLLM 高约 40%。你怎么做上线选型？如果你选 vLLM，怎么补它相对 TensorRT-LLM 的差距；如果你选 TensorRT-LLM，怎么处理热更和 LoRA？