ChunkedPrefill调度器¶

功能介绍¶

xLLM支持chunked prefill调度策略。Chunked prefill是一种优化大语言模型推理的技术，将长prompt分割成多个较小的chunk进行分批处理，而不是一次性处理整个prompt。 这种方法可以有效降低显存峰值使用量，提高Device利用率，并且能够更好地与decode阶段的请求进行调度和混合处理。

使用方式¶

上述策略已在xLLM实现，并向外暴露gflag参数，控制功能的开关。

• 开启chunked prefill，并设置chunked_size，如果不手动设置chunked size，则默认等于max_tokens_per_batch。

  --enable_chunked_prefill=true
  --max_tokens_per_chunk_for_prefill=20480 # optional
  

性能效果¶

开启chunked_prefill之后，在Qwen3-8B模型上，限制TPOT 50ms，TTFT时延 下降46%。