显存账本如下：卡 24GB，权重 14GB，CUDA context + 框架开销约 1.5GB，激活峰值约 1GB，其余留给 KV Cache。你想把 max_num_seqs 从 8 提到 32。请给出至少三条可行的做法，并分别说明各自的代价。

面试官在考什么

判断候选人是否会先算显存账、再选手段，并且知道每一种优化动的是权重、KV Cache 还是激活，以及对应的代价。

显存优化

回答框架 · 前两步

1. 降 max_model_len / max_num_batched_tokens：直接砍 KV pool 需求，最省事，代价是长请求被截断或拒绝，服务能力上限下降。
2. 量化权重（INT8/INT4）：14GB→7GB 左右，腾出约 7GB 给 KV，代价是精度损失和算子/kernel 支持问题。

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。