一个用 static batching 的服务：batch_size=8，必须凑满 8 条才发车，且同一批里所有序列要等最长的那条跑完才一起返回。请求均匀到达，每 50ms 一条；平均每条输出 200 token，每生成一个 token 耗时 20ms。请估算平均排队等待时间和一个 batch 的执行时间，并说明 continuous batching 消掉的是哪一部分。

面试官在考什么

判断候选人能否量化 static batching 的两类空转（凑批等待、等最长序列），并理解 continuous batching 是迭代级的调度替换而不是"更快的算子"。

批处理

回答框架 · 前两步

1. 凑满 8 条需要约 400ms，第一条等 350ms、最后一条等 0ms，平均排队等待约 175ms；这段等待纯粹是调度引入的空转。
2. 一个 batch 的执行时间约 200 token × 20ms = 4000ms，因为必须等最长序列，短序列结束后对应的槽位在剩余时间里空跑（等价于 padding 造成的无效计算）。

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。