当前位置：首页 > news >正文

福利｜AMD × LMCache：基于 AMD GPU 的 LMCache 推理加速

news 2026/7/9 9:12:52

福利｜AMD × LMCache：基于 AMD GPU 的 LMCache 推理加速

作者：Andy Luo, Haichen Zhang, AMD AIG, Yihua, nijaba and LMCache Lab

引言

随着上下文长度不断拉长、推理并发规模持续增大，LLM 推理变得越来越难“跑顺畅”。传统的推理引擎主要依赖基于前缀（prefix-based）的 KV cache 复用，这种方式在面对长文本、大量重复片段或不同请求之间存在重叠内容时，可优化空间非常有限。

LMCache 正是为解决这一问题而设计。它是对现有 LLM 推理引擎的一种扩展，在长上下文场景下，能够显著降低首 token 延迟（TTFT），并提升整体吞吐。与传统仅支持前缀复用的方式不同，LMCache 可以对任意位置出现的重复文本进行细粒度 KV cache 复用，而且不受具体服务实例的限制。

通过将可复用的KV cache 存储在 GPU 显存、CPU 内存、DRAM 和本地磁盘等多级介质中，LMCache 能避免大量重复计算，释放宝贵的 GPU 算力。

在与vLLM 集成后，LMCache 在 AMD GPU 上针对包括 Qwen3、Llama3 和 Qwen-VL 在内的多种社区模型，带来了约 3–10 倍的性能提升。

对于长文档问答、多轮问答等典型LLM 场景，将 LMCache 与 vLLM 结合使用，可以在明显提升性能的同时有效减少 GPU cycle 消耗。

长文档基准测试

为了验证效果，我们选取了长文档场景的基准测试，对比在AMD GPU 上启用与关闭 LMCache 的性能差异。测试中将文档数量设置为 100，单个文档长度设置为 10,000，用于评估性能表现。

下面的结果基于多个广泛使用的社区模型（包括Qwen3、Llama3、Qwen-VL）生成，用来展示在不同模型架构下的性能收益。

该基准主要评估了Llama3 (70B)、Qwen2.5 Vision Language 模型、Qwen3 系列模型（特别是 8B 和 30B 参数规模的版本）在长文档问答任务中的表现，并重点观察开启 LMCache 前后的影响。

测试在一台AMD GPU服务器上完成，整体方法如下：

后端使用vLLM 框架提供模型服务
客户端使用（long_doc_qa.py）基准脚本发起请求
每个文档长度为10,000 tokens，生成长度为 300 tokens
主要变量是文档数量：分别测试100、200、500 个文档

在服务端配置上，我们明确区分了两种场景：

一种是启用 LMCache，另一种是未启用。

启用LMCache 时，配置了关键环境变量，如PYTHONHASHSEED=0 和LMCACHE_MAX_LOCAL_CPU_SIZE，这些变量根据模型大小进行调优（例如：Qwen3-8B 使用 200，Qwen3-30B 使用 180 和 150 等配置）。在 vLLM 启动命令中，通过 --kv-transfer-config 参数指定使用 LMCacheConnectorV1。配套图表的测试结果显示，在启用 LMCache 时，性能有明显提升。

综合结论是：LMCache 能有效优化长上下文场景下的推理过程。通过缓存 transformer 中 attention 机制的 key–value 对，在处理长文本和相似文档时，LMCache 可以减少重复计算，从而降低延迟，特别是首 token 延迟（TTFT），提升整体吞吐。在 AMD GPU 硬件上，这让 Qwen3 等模型在处理大规模文本数据时更加高效、响应更快。针对不同模型尺寸调优 LMCACHE_MAX_LOCAL_CPU_SIZE 也说明，合理的 cache 配置对资源利用率和性能都非常关键。

如何复现长文档基准测试

服务端配置

启用LMCache：

PYTHONHASHSEED=0 \ LMCACHE_MAX_LOCAL_CPU_SIZE=200 \ vllm serve Qwen/Qwen3-8B \ --tensor-parallel-size 1 \ --kv-transfer-config \ '{"kv_connector": "LMCacheConnectorV1", "kv_role": "kv_both"}' \ --gpu-memory-utilization 0.9 \ --load-format dummy \ --trust-remote-code

关闭LMCache：

PYTHONHASHSEED=0 vllm serve Qwen/Qwen3-8B \ --tensor-parallel-size 1 \ --gpu-memory-utilization 0.9 \ --load-format dummy \ --trust-remote-code

客户端配置

示例：文档数量为100

python3 benchmarks/long_doc_qa/long_doc_qa.py \ --model Qwen/Qwen3-8B \ --num-documents 100 \ --document-length 10000 \ --output-len 300 \ --repeat-count 1 \ --repeat-mode tile \ --max-inflight-requests 4

多轮问答（Multi-round QA）基准测试

场景示意

多轮问答工作流可以理解为：多个用户同时与同一个LLM 引擎持续进行多轮对话，模型需要在保留上下文的前提下连续回答问题。

为了验证LMCache 在这一场景的效果，我们选取 Multi-round QA 基准，对比在 AMD GPU 上启用与关闭 LMCache 的性能差异。测试配置为：

模拟用户数：20
每个用户对话轮数：6

该基准模拟的负载是一个多用户并发、多轮对话的问答任务，每个用户与LLM 引擎持续交互，形成典型的“多轮 QA”负载模式。

下面的结果同样基于多个社区常用模型（包括Qwen3、Llama3、Qwen-VL）生成，用以展示在不同模型架构下，多轮 QA 场景中启用 LMCache 所带来的性能提升。

如何复现多轮问答（Multi-round QA）基准测试

服务端配置

开启LMCache：

PYTHONHASHSEED=0 \ MIOPEN_USER_DB_PATH=/app/miopen \ MIOPEN_FIND_MODE=FAST \ VLLM_USE_V1=1 \ VLLM_ROCM_USE_AITER=1 \ SAFETENSORS_FAST_GPU=1 \ vllm serve Qwen/Qwen2.5-VL-72B-Instruct \ --tensor_parallel_size=8 \ --trust_remote_code \ --mm-encoder-tp-mode "data" \ --load-format dummy \ --gpu-memory-utilization 0.6

关闭LMCache：

PYTHONHASHSEED=0 \ MIOPEN_USER_DB_PATH=/app/miopen \ MIOPEN_FIND_MODE=FAST \ VLLM_USE_V1=1 \ VLLM_ROCM_USE_AITER=1 \ SAFETENSORS_FAST_GPU=1 \ vllm serve Qwen/Qwen2.5-VL-72B-Instruct \ --tensor_parallel_size=8 \ --trust_remote_code \ --mm-encoder-tp-mode "data" \ --load-format dummy \ --gpu-memory-utilization 0.6

客户端压测脚本

python3 multi-round-qa.py \ --num-users 20 \ --num-rounds 6 \ --qps 1 \ --shared-system-prompt 1000 \ --user-history-prompt 2000 \ --answer-len 100 \ --model Qwen/Qwen2.5-VL-72B-Instruct \ --base-url http://localhost:8000/v1

总结

LMCache Long Document QA 基准测试主要用于评估大语言模型在处理长文档场景时的表现，尤其是对长上下文进行理解与问答的能力。该基准展示了AMD GPU 系统在以下方面的能力：