一个请求进来，最终序列长度 4000 token。模型是 32 层、GQA 8 个 KV head、head_dim 128、KV 用 FP16 存储。请算出这条请求的 KV Cache 占多少 MB；如果同时有 32 条这样的请求并发，总共占多少；以及你会怎么用这个结果来决定部署时的 max_num_seqs？

面试官在考什么

判断候选人能否脱离文档独立写出 KV Cache 的计算公式、做出正确的单位换算，并把它当作显存规划的依据而不是一个抽象概念。

KV Cache

回答框架 · 前两步

1. 单 token KV = 2(K,V) × 32 层 × 8 KV head × 128 head_dim × 2B(FP16) = 131072B ≈ 128KB。
2. 4000 token 的序列：128KB × 4000 ≈ 512MB，约 0.5GB。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 项目深挖：五层结构下的追问与逐字稿

想看这个方向的整体准备路线？ 进入「AI Infra 与 Harness 工程」方向页

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。
• 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？
• 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。