Zhipu reveals the secret of “Scaling”: the inevitable pain of Scaling

鹭羽 发自 凹非寺<br> 量子位 | 公众号 QbitAI<br> Scaling即正义？智谱挠了挠头——<br> 很痛苦，而且压力山大……<br> 智谱最新发布的一篇技术博客，画风稍微有点不一样：<br> 没有过去的硬核技术输出，反而大倒苦水从GLM-5以来的各种花式踩坑，官方称之为「Scaling Pain」。<br> 我们的推理基础设施正承受着前所未有的压力，每天都要服务数亿次Coding Agent调用。<br> 过去几周，一些用户在使用GLM-5系列模型执行复杂Coding Agent任务时，遭遇多种异常，比如乱码、复读和罕见字符生成。<br> 而且这些问题在标准推理环境中压根复现不出来！！！<br> 排查数周，团队终于揪出真凶，彻底戳破Scaling Laws路上的隐形Bug。<br> 不仅详细总结了自身遭遇的昂贵教训，还给出了一套极具实操性的避坑指南。<br> 简单来说，如果屏幕前的你正打算给自己的Agent加码，那么这篇来自一线实战的经验总结，建议先反复阅读背诵～<br> 定位关键Bug<br> 事情是酱紫的——<br> 自从GLM-5发布以来，智谱通过观察用户的大规模Coding Agent推理过程，发现了三类异常现象：<br> 乱码输出：内容杂乱无意义；<br> 重复生成：模型不断重复输出相同内容；<br> 生僻字：出现异常字符。<br> 这引起了团队工程师的警觉，于是说干就干，先是通过本地回放用户反馈，重复运行相同请求数百次，结果始终无法触发异常。<br> 换言之，模型本身并非根本原因。<br> 在进一步模拟在线环境后，团队尝试调整PD分离比例并持续提高系统负载，异常现象终于得以复现，在每10000个请求中大约能复现出3-5个异常输出。<br> 这说明，异常现象很有可能出自高负载下的推理状态管理，指向底层推理链路。<br> 但同时也引出了另一个问题，线下的复现率仍低于用户线上反馈的频率，这就意味着现有的检测方法存在遗漏或触发条件尚未完全覆盖。<br> 于是智谱团队继续对异常输出的检测方法进行优化。他们发现投机采样（Speculative Decoding）指标可作为异常检测的重要参考。<br> 投机采样原本用于提升模型推理性能，它先由小模型生成草稿（draft tokens），再由大模型验证是否接受这些token，最终能够在不改变输出分布的情况下提升decode效率。<br> 而在GLM-5的三类异常中，乱码和生僻字的spec_accept_length非常低，也就是说目标模型的KV缓存状态与草稿模型之间存在明显不匹配。<br> 复读则拥有过高的spec_accept_length，表明损坏的KV缓存可能导致注意力模式退化，将生成过程推向高置信度的重复循环。<br> 基于以上观察，智谱总结出了一套在线异常监控策略：<br> 当spec_accept_length持续低于1.4且生成长度超过128 token，或者spec_accept_rate超过0.96，系统就会主动中止当前生成，并将请求重新交回给负载均衡器。<br> 紧接着，智谱开始进一步解析异常原因：<br> PD分离架构下的KV Cache竞态<br> 团队通过分析请求生命周期和推理引擎中的PD分离执行时序，将问题归因于请求生命周期与KV Cache回收与复用时序之间的不一致，从而引发的KV Cache复用冲突。<br> 为了消除这类竞态情况，研究人员在推理引擎中引入了更为严格的时序约束，会在请求终止和KV Cache写入完成之间建立显式同步。<br> 具体来说，在发出中止指令后，解码阶段会向预填充阶段发送通知。预填充阶段只有在满足以下任一条件时才会返回安全回收信号：未启动任何RDMA写入，或所有先前发出的写入操作已完全完成。而解码阶段只有在收到此确认后才会回收并重用相应的 KV Cache槽位。<br> 该机制将确保KV Cache写入不会跨越内存复用边界，从而避免跨请求的KV Cache损坏。<br> 最终修复该bug后，异常输出的发生率从约万分之十几下降至万分之三以下。<br> HiCache加载时序缺失<br> 此外，当KV Cache换入与计算重叠时，当前实现未能保证数据在使用前已完成加载，导致可能出现未就绪KV Cache被访问的情况。<br> 为解决这一问题，团队重构了HiCache读取流程，同时引入数据加载与计算之间的显式同步约束。<br> 在启动Indexer算子之前，先插入一个Load Stream同步点，确保相应级别的Indexer缓存已完全加载。Forward Stream只有在数据准备就绪后才会进行计算，从而消除了read-before-ready的问题。<br> 应用此修复后，在相同的工作负载条件下，由执行时序不一致引起的异常被消除，系统终于得以稳定。<br> Prefill侧优化<br> 事实上，这两种Bug都指向了同一个常见的系统瓶颈：<br> 在长上下文的Coding Agent Serving任务中，Prefill阶段已经成为影响系统性能的主要因素。<br> 于是为了缓解Prefill阶段在高并发下的内存和带宽压力，团队另外设计了KV Cache分层存储方案——LayerSplit。<br> 在该方案中，每个GPU只存储部分层的KV Cache，显著降低了每个GPU的内存占用。然后在执行Attention计算前，将对应层的KV Cache广播给其他相关rank。<br> 为了降低通信开销，还进一步设计有KV Cache广播与indexer计算的重叠机制，将通信延迟隐藏在计算过程中。这样唯一的额外通信开销就来自Indexer Cache的广播，其大小仅为KV Cache的八分之一，整体通信成本可以忽略不计。<br> 团队将LayerSplit和GLM-5.1结合发现，在Cache命中率达到90%、请求长度在40k到120k区间内时，系统吞吐量提高了10%到132%，且随着上下文长度的增加，收益也随之增长。<br> 总体而言，该优化显著提升了系统在Coding Agent场景下的处理能力。<br> 同时智谱也认为，当智能真正进入高并发、长上下文的Coding Agent场景后，维护推理基础设施的输出质量变得至关重要。未来大规模AI需要的不仅是Scaling Law推动的能力增长，还必须有等量级的系统工程支撑。<br> “特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。<br> Notice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”