你的推理服务 P99 延迟要求 2s，现在用 dynamic batching（等 50ms 攒一批）做推理。低峰期延迟正常，高峰期 P99 直接飙到 8s。请说明问题出在哪、你会怎么改调度；并解释 continuous batching 和 dynamic batching 的区别具体落在哪一个时间点上。
面试官在考什么
考察候选人能否把延迟毛刺归因到排队与队头阻塞，而不是笼统说「负载高了」；同时检验是否真的理解 iteration-level 调度与 batch-level 调度的差别。
回答框架 · 前两步
- 根因是 batch 级调度 + 固定 50ms 窗口：高峰期请求在队列里排队，且一批必须等最长的那条跑完才整体返回，短请求被长请求拖尾，P99 = 排队延迟 + 批内最长完成时间。
- 50ms 窗口本身不是主因（低峰也有这个窗口却没爆），真正的非线性项是排队和队头阻塞。
还有 3 条答案要点、 3 层追问、 5 个常见坑， 以及针对你简历的追问路径，在定制报告里。
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。