정의

LLM 추론 인프라는 GPU 클러스터에서 사용자 요청을 효율적으로 처리하기 위해, 추론 시간을 t_compute(계산 시간)와 t_memory(메모리 접근 시간)로 분해하고, 배치 크기 최적화를 통해 throughput을 극대화하는 시스템이다. 하드웨어(HBM 대역폭, FLOPs)와 모델 아키텍처(sparsity, MoE, KV cache 관리)가 결합하여 latency와 cost를 결정한다.

핵심 속성

  • t_compute: (batch × active_params) / FLOPs — 활성 파라미터 수와 배치 크기에 선형 비례. MoE로 인해 활성 파라미터는 전체 파라미터보다 훨씬 작아 계산 효율을 높인다.
  • t_memory: (total_params + (batch × avg_context_len × bytes_per_token)) / memory_bandwidth — 모델 전체 weight 로딩 시간과 KV cache 접근 시간의 합. 배치 크기와 컨텍스트 길이에 영향을 받는다.
  • 배치 최적점: t_compute ≈ t_memory가 되는 배치 크기에서 latency와 cost의 균형이 최적화된다. 이때의 배치는 FLOPs/bandwidth × sparsity로 추정 가능하며, 현대 GPU에서 약 2400~3000 수준.
  • Latency lower bound: 항상 total_params / memory_bandwidth 이상으로, 이 값은 약 20ms (GB300 기준)로 하나의 연산 사이클(drain time)을 정의한다.
  • 컨텍스트 길이 임계점: 200K 토큰 전후로 compute-bound에서 memory-bound로 전환되며, 이에 따라 가격 티어가 달라진다.

관계

인용

“LLM inference에서 총 시간은 t_mem과 t_compute 중 더 큰 값에 의해 bound된다. 배치가 작으면 memory-bound, 배치가 크면 compute-bound가 된다.”

출처

클리핑 · youtube.com