정의

LLM 추론에서 latency(지연 시간)와 cost(비용)는 t_compute(계산 시간)t_memory(메모리 시간) 두 요소로 결정되며, 전체 시간은 둘 중 더 큰 값에 의해 bound된다. 최적의 batch size는 t_compute와 t_memory가 같아지는 지점에서 결정되며, 이는 sparsity(활성 파라미터 비율)와 하드웨어의 FLOPs/메모리 대역폭 비율(약 300)에 의해 산출된다.

핵심 속성

  • t_compute: (batch size × active parameters) ÷ FLOPs. attention 연산은 편의상 생략하나 실제로 중요.
  • t_memory: (total parameters를 로딩하는 시간) + (KV cache를 읽는 시간). 모델 전체 weight와 모든 유저의 KV cache를 HBM에서 읽어야 함.
  • roofline 분석: latency 그래프는 batch size가 작을 때 memory-bound, 클 때 compute-bound이며, 최적점(critical point)에서 두 시간이 같아진다.
  • 토큰당 cost: latency를 batch size로 나눈 곡선으로, batch가 작을 때 급격히 비싸고 최적 batch 이후 완만해짐.
  • sparsity 공식: batch ≈ (FLOPs / memory bandwidth) × (1 / sparsity). FLOPs/bandwidth ≈ 300 (FP4 기준), sparsity가 1/8이면 batch ≈ 2400.
  • drain time: HBM 전체를 읽는 시간 ≈ 20ms (GB300 기준 288GB ÷ 20TB/s). 이 시간이 한 inference 사이클의 기준.
  • 200K context 임계점: context length가 200K를 넘으면 KV cache 부담이 급증하여 memory-bound로 전환, 가격 티어가 달라짐.

관계

인용

“t_compute와 t_memory, 이 두 개의 조합으로 현대의 LLM inference의 모든 가격이 결정이 된다.” “latency lower bound는 weight를 한 번 로딩하는 시간이며, 이는 HBM 용량과 대역폭에 의해 결정된다.”

출처

클리핑 · youtube.com