在 AI 領(lǐng)域，英偉達(dá)開發(fā)的 CUDA 是驅(qū)動(dòng)大語(yǔ)言模型（LLM）訓(xùn)練和推理的核心計(jì)算引擎。

不過(guò)，CUDA 驅(qū)動(dòng)的 LLM 推理面臨著手動(dòng)優(yōu)化成本高、端到端延遲高等不足，需要進(jìn)一步優(yōu)化或者尋找更高效的替代方案。

近日，CMU 助理教授賈志豪（Zhihao Jia）團(tuán)隊(duì)創(chuàng)新玩法，推出了一個(gè)名為「Mirage Persistent Kernel（MPK）」的編譯器，可以自動(dòng)將 LLM 轉(zhuǎn)化為優(yōu)化的巨型內(nèi)核（megakernel），從而將 LLM 推理延遲降低 1.2 到 6.7 倍。

• GitHub 地址：https://github.com/mirage-project/mirage/tree/mpk
• 博客地址：https://zhihaojia.medium.com/compiling-llms-into-a-megakernel-a-path-to-low-latency-inference-cf7840913c17

MPK 將 LLM 推理延遲推近硬件極限。在單個(gè) A100-40GB GPU 上，MPK 將 Qwen3-8B 每個(gè) token 的延遲從 14.5 毫秒 (vLLM/SGLang) 降低到 12.5 毫秒，逼近基于內(nèi)存帶寬計(jì)算得出的 10 毫秒理論下限。

MPK 的易用性很強(qiáng)，你只需要幾十行 Python 代碼就能將 LLM 編譯成一個(gè)高性能巨型內(nèi)核，實(shí)現(xiàn)快速推理，整個(gè)過(guò)程無(wú)需 CUDA 編程。

評(píng)論區(qū)對(duì) MPK 的看法也很正向，并提出了一些未來(lái)的延展方向。

引入 MPK 的必要性

降低 LLM 推理延遲最有效的方法之一，是將所有計(jì)算和通信融合進(jìn)一個(gè)單一的巨型內(nèi)核，也稱為持續(xù)內(nèi)核。 

在這種設(shè)計(jì)中，系統(tǒng)僅啟動(dòng)一個(gè) GPU 內(nèi)核來(lái)執(zhí)行整個(gè)模型 —— 從逐層計(jì)算到 GPU 間通信 —— 整個(gè)過(guò)程無(wú)需中斷。這種方法提供了以下幾個(gè)關(guān)鍵的性能優(yōu)勢(shì)：

• 消除內(nèi)核啟動(dòng)開銷：通過(guò)避免重復(fù)的內(nèi)核調(diào)用，即使是在多 GPU 環(huán)境下，也能消除內(nèi)核啟動(dòng)開銷；
• 實(shí)現(xiàn)跨層軟件 pipeline 允許內(nèi)核在計(jì)算當(dāng)前層的同時(shí)，開始為下一層加載數(shù)據(jù)；
• 重疊計(jì)算與通信：由于巨型內(nèi)核可以同時(shí)執(zhí)行計(jì)算操作和 GPU 間通信，從而隱藏通信延遲。

盡管有這些優(yōu)勢(shì)，將 LLM 編譯成巨型內(nèi)核仍然極具挑戰(zhàn)性。

現(xiàn)有的高級(jí) ML 框架 —— 如 PyTorch、Triton 和 TVM，它們本身并不支持端到端巨型內(nèi)核生成。此外，現(xiàn)代 LLM 系統(tǒng)由各種不同的專用內(nèi)核庫(kù)構(gòu)建而成：用于通信的 NCCL 或 NVSHMEM，用于高效注意力計(jì)算的 FlashInfer 或 FlashAttention，以及用于自定義計(jì)算的 CUDA 或 Triton。

這種碎片化使得將整個(gè)推理 pipeline 整合進(jìn)一個(gè)單一的、統(tǒng)一的內(nèi)核變得非常困難。

那么能否通過(guò)編譯自動(dòng)化這個(gè)過(guò)程呢？受到這個(gè)問(wèn)題的啟發(fā)，來(lái)自 CMU、華盛頓大學(xué)、加州大學(xué)伯克利分校、英偉達(dá)和清華大學(xué)的團(tuán)隊(duì)開發(fā)出了 MPK—— 一個(gè)編譯器和運(yùn)行時(shí)系統(tǒng)，它能自動(dòng)將多 GPU 的 LLM 推理轉(zhuǎn)換為高性能的巨型內(nèi)核。MPK 釋放了端到端 GPU 融合的效能優(yōu)勢(shì)，同時(shí)只需要開發(fā)者付出極小的手動(dòng)努力。

MPK 的優(yōu)勢(shì)

MPK 的一個(gè)關(guān)鍵優(yōu)勢(shì)在于：通過(guò)消除內(nèi)核啟動(dòng)開銷，并最大程度地重疊跨層的計(jì)算、數(shù)據(jù)加載和 GPU 間通信，實(shí)現(xiàn)了極低的 LLM 推理延遲。

下圖 1 展示了 MPK 與現(xiàn)有 LLM 推理系統(tǒng)在單 GPU 和多 GPU 配置下的性能對(duì)比（具體可見上文）。

除了單 GPU 優(yōu)化，MPK 還將計(jì)算與 GPU 間通信融合進(jìn)一個(gè)單一的巨型內(nèi)核。 這種設(shè)計(jì)使得 MPK 能夠最大程度地重疊計(jì)算與通信。因此，MPK 相對(duì)于當(dāng)前系統(tǒng)的性能提升隨著 GPU 數(shù)量的增加而增大，使其在多 GPU 部署場(chǎng)景下尤為高效。

MPK 的工作原理

MPK 的工作原理包括以下兩大部分

• Part 1：MPK 編譯器，其將 LLM 的計(jì)算圖轉(zhuǎn)化為優(yōu)化的任務(wù)圖；
• Part 2：MPK 運(yùn)行時(shí)系統(tǒng)，該系統(tǒng)在單個(gè)巨型內(nèi)核內(nèi)執(zhí)行任務(wù)圖，以實(shí)現(xiàn)高吞吐量與低延遲。

編譯器 —— 將 LLM 轉(zhuǎn)化為細(xì)粒度任務(wù)圖

LLM 的計(jì)算過(guò)程通常表示為計(jì)算圖，其中每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)計(jì)算算子（如矩陣乘法、注意力機(jī)制）或集合通信原語(yǔ)（如 all-reduce），邊表示算子間的數(shù)據(jù)依賴關(guān)系?，F(xiàn)有系統(tǒng)通常為每個(gè)算子啟動(dòng)獨(dú)立的 GPU 內(nèi)核。

然而，這種「單算子單內(nèi)核」的執(zhí)行模型難以實(shí)現(xiàn) pipeline 優(yōu)化，因?yàn)橐蕾囮P(guān)系是在整個(gè)內(nèi)核的粗粒度層面強(qiáng)制執(zhí)行的，而非實(shí)際數(shù)據(jù)單元層面。

典型案例如矩陣乘法（matmul）后接 all-reduce 操作：現(xiàn)有系統(tǒng)中，all-reduce 內(nèi)核必須等待整個(gè) matmul 內(nèi)核完成。而實(shí)際上，all-reduce 的每個(gè)數(shù)據(jù)分塊僅依賴 matmul 輸出的局部結(jié)果。這種邏輯依賴與實(shí)際依賴的錯(cuò)配，嚴(yán)重限制了計(jì)算與通信的重疊潛力。

下圖 2 展示了 MPK 編譯器將 PyTorch 定義的 LLM 計(jì)算圖轉(zhuǎn)化為優(yōu)化細(xì)粒度任務(wù)圖，最大化暴露并行性。右側(cè)展示次優(yōu)方案 —— 其引入不必要的數(shù)據(jù)依賴與全局屏障，導(dǎo)致跨層流水線優(yōu)化機(jī)會(huì)受限。

為了解決此問(wèn)題，MPK 引入的編譯器可將 LLM 計(jì)算圖自動(dòng)轉(zhuǎn)化為細(xì)粒度任務(wù)圖。該任務(wù)圖在子內(nèi)核級(jí)別顯式捕獲依賴關(guān)系，實(shí)現(xiàn)更激進(jìn)的跨層流水線優(yōu)化。

具體來(lái)講，在 MPK 任務(wù)圖中（如圖 2 所示）：

• 任務(wù)（矩形表示），代表分配給單個(gè) GPU 流式多處理器（SM）的計(jì)算 / 通信單元。
• 事件（圓形表示），表示任務(wù)間的同步點(diǎn)。
• 觸發(fā)機(jī)制，每個(gè)任務(wù)發(fā)出指向觸發(fā)事件的邊，該事件在關(guān)聯(lián)任務(wù)全部完成后激活。
• 依賴機(jī)制，每個(gè)任務(wù)接收來(lái)自依賴事件的邊，表明事件激活后任務(wù)立即啟動(dòng)。

任務(wù)圖使 MPK 能夠發(fā)掘計(jì)算圖中無(wú)法實(shí)現(xiàn)的 pipeline 優(yōu)化機(jī)會(huì)。例如，MPK 可以構(gòu)建優(yōu)化任務(wù)圖 —— 其中每個(gè) all-reduce 任務(wù)僅依賴于生成其輸入的對(duì)應(yīng) matmul 任務(wù)，從而實(shí)現(xiàn)分塊執(zhí)行與計(jì)算通信重疊。

除生成優(yōu)化任務(wù)圖外，MPK 還通過(guò) Mirage 內(nèi)核超優(yōu)化器自動(dòng)為每個(gè)任務(wù)生成高性能 CUDA 實(shí)現(xiàn)，確保任務(wù)在 GPU 流式多處理器（SM）上高效執(zhí)行。

Part 2：運(yùn)行時(shí) —— 在巨型內(nèi)核中執(zhí)行任務(wù)圖

MPK 包含內(nèi)置 GPU 運(yùn)行時(shí)系統(tǒng)，可在單個(gè) GPU 巨型內(nèi)核內(nèi)完整執(zhí)行任務(wù)圖。這使得系統(tǒng)能在推理過(guò)程中無(wú)需額外內(nèi)核啟動(dòng)的情況下，實(shí)現(xiàn)任務(wù)執(zhí)行與調(diào)度的細(xì)粒度控制。

為了實(shí)現(xiàn)此機(jī)制，MPK 在啟動(dòng)時(shí)將 GPU 上所有流式多處理器（SM）靜態(tài)分區(qū)為兩種角色：即工作單元（Worker）和調(diào)度單元（Scheduler）。

工作 SM 與調(diào)度 SM 的數(shù)量在內(nèi)核啟動(dòng)時(shí)固定配置，且總和等于物理 SM 總數(shù)，從而徹底避免動(dòng)態(tài)上下文切換開銷。

工作單元

每個(gè)工作單元獨(dú)占一個(gè)流式多處理器（SM），并維護(hù)專屬任務(wù)隊(duì)列。其執(zhí)行遵循以下高效簡(jiǎn)潔的循環(huán)流程：

• 獲取任務(wù)：從隊(duì)列中提取下一待執(zhí)行任務(wù)。
• 執(zhí)行計(jì)算：運(yùn)行任務(wù)（如矩陣乘法 / 注意力機(jī)制 / GPU 間數(shù)據(jù)傳輸）。
• 事件觸發(fā)：任務(wù)完成后通知觸發(fā)事件。
• 循環(huán)執(zhí)行：重復(fù)上述過(guò)程。

該機(jī)制既保障了工作單元的持續(xù)滿載運(yùn)行，又實(shí)現(xiàn)了跨層和跨操作的異步任務(wù)執(zhí)行。

調(diào)度單元

調(diào)度決策由 MPK 的分布式調(diào)度單元處理，每個(gè)調(diào)度單元運(yùn)行于單個(gè)線程束（warp）上。由于每個(gè)流式多處理器（SM）可以容納多個(gè)線程束，因此單 SM 最多可并發(fā)運(yùn)行 4 個(gè)調(diào)度單元。每個(gè)調(diào)度單元維護(hù)激活事件隊(duì)列，并持續(xù)執(zhí)行以下操作：

• 事件出隊(duì)：移除依賴已滿足的激活事件（即所有前置任務(wù)均已完成）。
• 任務(wù)啟動(dòng)：調(diào)度依賴該激活事件的任務(wù)集。

這種分布式調(diào)度機(jī)制在實(shí)現(xiàn)跨 SM 可擴(kuò)展執(zhí)行的同時(shí)，最小化協(xié)同開銷。

事件驅(qū)動(dòng)執(zhí)行

下圖 3 展示了 MPK 的執(zhí)行時(shí)間線，其中每個(gè)矩形代表一個(gè)在工作單元上運(yùn)行的任務(wù)；每個(gè)圓圈代表一個(gè)事件。當(dāng)一個(gè)任務(wù)完成時(shí)，它會(huì)遞增其對(duì)應(yīng)觸發(fā)事件的計(jì)數(shù)器。當(dāng)事件計(jì)數(shù)器達(dá)到預(yù)設(shè)閾值時(shí)，該事件被視為已激活，并被加入調(diào)度單元的事件隊(duì)列。隨后，調(diào)度單元會(huì)啟動(dòng)所有依賴于該事件的下游任務(wù)。

這種設(shè)計(jì)實(shí)現(xiàn)了細(xì)粒度的軟件流水線化，并允許計(jì)算與通信之間重疊，比如

• 矩陣乘法（Matmul）任務(wù)可以與來(lái)自不同層的注意力任務(wù)并行執(zhí)行。
• 一旦有部分 matmul 結(jié)果可用，即可開始 Allreduce 通信。

由于所有的調(diào)度和任務(wù)切換都發(fā)生在單一內(nèi)核上下文內(nèi)，任務(wù)間的開銷極低，通常僅需 1-2 微秒，從而能夠高效地執(zhí)行多層、多 GPU 的 LLM 工作負(fù)載。

下一步計(jì)劃

團(tuán)隊(duì)對(duì) MPK 的愿景是使巨型內(nèi)核編譯既易于使用又具備高性能。目前，你只需幾十行 Python 代碼（主要用于指定巨型內(nèi)核的輸入和輸出）即可將一個(gè) LLM 編譯成一個(gè)巨型內(nèi)核。此方向仍有廣闊的探索空間，目前正在積極攻關(guān)的一些關(guān)鍵領(lǐng)域包括如下：

• 支持現(xiàn)代 GPU 架構(gòu)。下一個(gè)里程碑是將 MPK 擴(kuò)展到支持下一代架構(gòu)，例如 NVIDIA Blackwell。一個(gè)主要挑戰(zhàn)在于如何將線程束專業(yè)化，這是新型 GPU 的一項(xiàng)關(guān)鍵優(yōu)化技術(shù)，與 MPK 的巨型內(nèi)核執(zhí)行模型相集成。
• 處理工作負(fù)載動(dòng)態(tài)性。 MPK 目前構(gòu)建的是靜態(tài)任務(wù)圖，這限制了它處理動(dòng)態(tài)工作負(fù)載（如 MoE 模型）的能力。團(tuán)隊(duì)正在開發(fā)新的編譯策略，使 MPK 能夠在巨型內(nèi)核內(nèi)部支持動(dòng)態(tài)控制流和條件執(zhí)行。
• 高級(jí)調(diào)度與任務(wù)分配。 MPK 在任務(wù)級(jí)別解鎖了新的細(xì)粒度調(diào)度能力。雖然當(dāng)前的實(shí)現(xiàn)使用簡(jiǎn)單的輪詢調(diào)度在流式多處理器（SM）之間分配任務(wù)，但團(tuán)隊(duì)看到了在高級(jí)調(diào)度策略（如優(yōu)先級(jí)感知或吞吐量?jī)?yōu)化策略）方面令人興奮的機(jī)會(huì)，可應(yīng)用于諸如延遲服務(wù)等級(jí)目標(biāo)（SLO）驅(qū)動(dòng)的服務(wù)或混合批處理等場(chǎng)景。

團(tuán)隊(duì)相信，MPK 代表了在 GPU 上編譯和執(zhí)行 LLM 推理工作負(fù)載方式的根本性轉(zhuǎn)變，并熱切期待與社區(qū)合作，共同推動(dòng)這一愿景向前發(fā)展。

該項(xiàng)目也在快速迭代中，非常歡迎有興趣的伙伴加入contribute。