最大40%高速化を実現するキャッシュ対応プリフィル・デコード分離（CPD）

要約 長いプロンプトの処理が遅い応答を意味する必要はありません。Together AI では、キャッシュヒット率によってコールドとワームのワークロードを意図的に分離するサービングアーキテクチャであるキャッシュアウェアプリフィル–デコードディスアグリゲーション（CPD）を開発しました。これにより高速なコンテキストの再利用が可能になります。重いプリフィル処理を隔離し、分散 KV キャッシュを活用することで、CPD は長文コンテキスト推論において持続可能なスループットを最大 40% 向上させ、特に混合された実世界のトラフィック下で最初のトークンまでの時間（TTFT）を大幅に短縮します。 今日の AI ネイティブアプリケーションは、コンテキスト長を新たな限界まで押し上げています。多ターン会話やコーディングコパイロット、エージェントメモリ、検索拡張システムなどから、長いプロンプトが標準になりつつあります。しかし、これらの大規模なコンテキストを効率的にサービングすることは依然として課題です。**TTFT が上昇し、より変動しやすくなります**。推論性能は、モデルの計算能力だけでなく、システムがいかに効率的に共有コンテキストを処理するかによってますます決定されます。実世界のワークロードでは、多くのリクエストが完全に新規ではありません。一部のリクエストには、以前に見たことのあるコンテキストの大きな部分が含まれています。例えば、共有されたシステムプロンプト、会話履歴、または一般的なドキュメントなどです。これらを**ワームリクエスト**と呼びます。一方、主に新しいコンテキストを導入し、完全な計算を必要とするものは**コールドリクエスト**です。 プレフィックスキャッシングやプリフェル–デコード分離（PD）といった最近の進展は、すでに長文コンテキストのサービス向上に貢献しています。プレフィックスキャッシングは、プロンプトプレフィックスの計算済み KV キャッシュを再利用することで冗長な作業を削減し、一方 PD は計算集約型のプリフェル段階とレイテンシ敏感なデコード段階を分離して、両者の間の干渉を軽減します。これらにチャンクプリフェルやシーケンス/コンテキスト並列化などの関連技術を加えることで、全体としてオーバーヘッドを低減し、ハードウェアの利用率を向上させることができます。 しかし、非常に高い負荷下での実世界のワークロードは、一般的なサービスシナリオを超えた新たな課題を提示します。一部の同時利用者が 10 万トークンを超える大規模で完全に新しいプロンプトを送信する一方で、他のユーザーは以前のコンテキストを主に再利用する多ターン会話を継続しているシステムを想定してください。PD はデコードがプリフェルによってブロックされないように保証しますが、すべてのプリフェル（コールドおよびウォームの両方）は依然として同じプリフェル容量を共有します。大規模なコールドプロンプトは数秒単位でリソースを占有し、キャッシュ再利用を通じて迅速に処理できたはずのウォームリクエストが、同じキューで待たされることになります。その結果、TTFT（Time To First Token）が増加するのは、これらのリクエスト自体が重い計算を必要とするからではなく、それらのリクエストの背後にある重い計算を行うリクエストによって待ち行列に詰まっているからです。 このギャップを埋めるために、私たちはキャッシュ認識型分離サービスアーキテクチャを構築しました。これは、ウォームリクエストとコールドリクエストを別々の計算リソースで処理するものです。各リクエストが再利用可能なコンテキストをどの程度含んでいるかを特定することで、システムはより賢いスケジューリング判断を下すことができます。これにより、不要な待ち時間が削減され、計算リソース間での作業ルーティングがより効果的に行われます。 高価なコールドプリフィルスが共有キャパシティを支配してしまうのを防ぐ代わりに、システムはウォームリクエストに対して高速パスを整備しつつ、新しいコンテキストも効率的に処理します。 その結果、キャッシュ認識型分離設計により、システムは負荷下でより滑らかにスケーリング可能になります。図 1 に示すように、テール感応型の SLA（サービスレベルアグリーメント）の下でも、従来のベースラインと比較して常に高い達成可能なスループットを維持します。 私たちの評価では、CPD は既存の分離設計と比較して持続可能な QPS を最大で**35–40%**向上させつつ、大規模なコールドプロンプトが存在する場合でもより厳しいテールレイテンシバウンドを維持しています。 **Figure 1.** レイテンシ SLO における最大達成 QPS。 ## CPD の仕組み 我々は、キャッシュ認識型プリフェッチ・デコード分離（CPD）を提案します。これは、標準的なプリフェッチ・デコード分離サービングに**キャッシュ認識ルーティング**と**共有 KV キャッシュ階層**を追加したものです。その核心となる考え方はシンプルです：高価な「コールド」プリフェッチが、再利用可能なコンテキストに対する高速パスをブロックしないようにします。 本システムは推論を 3 つの役割に分離しています： - プリプリフェッチノード：低再利用（コールド）プロンプトを処理し、新しいコンテキストを計算して KV キャッシュを分散キャッシュへ書き込みます。 - プリフェッチノード：高再利用（ウォーム）リクエストを優先し、プレフィックスの再計算ではなくキャッシュから KV ブロックを読み取ります。 - デコードノード：レイテンシに焦点を合わせ、プリフェッチによる干渉から隔離されます。 プリフェッチとデコードはすでに分離されていますが、CPD はキャッシュ再利用がほとんどない、あるいは全くないリクエストを処理する専用の**プリプリフェッチ階層**を追加します。これらのノードは大規模な新しいコンテキストを計算し、その KV キャッシュを分散キャッシュへ書き込みます。一方、通常のプリフェッチノードは既存の状態を再利用できるリクエストに集中し、再計算ではなくキャッシュから KV ブロックを読み取ります。デコードノードは隔離され、レイテンシに焦点を合わせたままです。 内部では、CPD は図 2 に示されるような**3 レベルの KV キャッシュ階層**に依存しています。最速のレイヤーは GPU メモリにあり、次いでホスト DRAM（主記憶装置）、そして RDMA を介して接続されたクラスター全体の分散キャッシュが続きます。プリプレフィルノードでコールドリクエストが処理されると、その KV 状態は分散キャッシュへ書き込まれます。その後、類似のリクエストが発生すると、この状態を高速帯域で一括取得できるため、本来であれば数秒かかる計算プロセスが、数百ミリ秒の転送と軽微な再計算に短縮されます。時間の経過とともに、頻繁にアクセスされるコンテキストは自然と GPU に近づき、レイテンシがさらに削減されていきます。 ![image](https://cdn.prod.website-files.com/69654e88dce9154b5f12070c/69a985e57d2cf79ec69626d3_699e0b27283a38c060fb90d2_698c23e0542aa1604c162687_CPD%252520Figure%2525202.png) 図 2 システム概要 この仕組みを統合するのがルーターです。各リクエストに対して、どの程度のプロンプト部分をキャッシュから提供できるかを推定します。再利用率が低いリクエストはプリプレフィルノードへ誘導され、再利用率が高いリクエストは通常のプレフィルノードへ直接送られます。この**ワークロード分離**により、大きなコールドプリフィルが共有計算リソースを飽和させるのを防ぎつつ、システムが新しいコンテキストを取り込みキャッシュを継続的に温めることを可能にします。その結果、混合されたバースト性の高い長文コンテキストの負荷下であっても、高速パスを常に高速に維持するサービングスタックを実現しています。 ## 繰り返しリクエスト間で何が起こるか CPD の利点は、同じまたは類似の長いコンテキストが複数回出現する際に明確になります。これはコパイロット、エージェント、多段階チャットシナリオで一般的です。各リクエストは、重計算バウンドからプリフィックスキャッシュの再利用へとワークロードをさらに移行させます。 ![image](https://cdn.prod.website-files.com/69654e88dce9154b5f12070c/69a985e57d2cf79ec69626cc_699e0b27283a38c060fb90cc_698c23f828c72af818a008e1_CPD%252520Figure%2525203.png) 図 3. 3 つのリクエストパターン。 ## リクエスト 1 — コールド（ブートストラップ） 大きなコンテキストが初めて出現する際、それは**コールド**として分類されます。ルーターはこれを**プリプリフィルノード**に送信し、完全なプリフィル計算を実行します。同時に、生成された KV キャッシュ（Key-Value Cache）は分散キャッシュへ書き込まれます。 このリクエストでは完全な計算コストが発生しますが、新しいコンテキストを再利用可能な状態に変換することで、システムを*予備的に準備（プライム）*します。 ## リクエスト 2 — ウォーム（分散キャッシュの再利用） 同じコンテキストが再度出現すると、ルーターはこれを**ウォーム**として識別します。プリフィックスの再計算を行わずに、通常のプリフィルノードが RDMA を介して分散キャッシュから KV ブロックを取得し、GPU メモリへロードします。 これにより、数秒間の計算処理が高帯域幅転送と軽量な処理に置き換わります。レイテンシが劇的に低下する一方、GPU の計算負荷も減少します。 ## リクエスト 3 — ウォーム（ローカル再利用） コンテキストが同じノード上でアクティブな状態を維持している場合、その KV 状態はすでに GPU またはホストメモリ上に存在しています。分散キャッシュ転送は不要であり、システムはローカルキャッシュを直接再利用します。 この時点で、プリフィルのオーバーヘッドは最小限となり、レイテンシはさらに短縮されます。もともと数秒の計算時間を要していた 100K トークンのコンテキストが、今度は数百ミリ秒で処理可能になります。さらに CPD はプレフィックスの再利用だけでなく、重い計算処理を再利用に依存するトラフィックから分離することで、コールドワークロードが共有リソースを支配することを防ぎながら、システムが長文コンテキスト推論をスケーリングできるようにします。 ## 評価 私たちは、実世界の負荷下における長文コンテキストサービングシステムにとって重要な 2 つの補完的な次元に沿って CPD を評価します： - 負荷増加に伴うレイテンシとスループットの拡張 — ターゲット QPS が上昇するにつれて、TTFT（p50 および p90）および GPU 単体あたりのスループットがどのように変化するか。 - 競合下での有効なサービング容量 — プリフィル側の飽和が急速なレイテンシの増大を招く前に、システムが維持できる GPU 単体あたりの持続可能な QPS の量。 私たちは、従来の PD ベースのデプロイメントと CPD を比較し、キャッシュ認識型分離が混合されたウォームおよびコールドワークロードの下で、飽和挙動やレイテンシをどのように再形成するかに焦点を当てます。 - 2P1D/2P2D（ベースライン）：2 つのプレフィルノードと 1 つまたは 2 つのデコードノードを使用し、すべてのリクエストが同じプレフィル容量を共有する標準的な PD ルーティングを採用します。 - CPD-1D/2D：ウォームおよびコールドリクエストを区別する CPD 対応ルーターによって調整されるキャッシュ認識パイプラインで、専用の事前プレフィル層、通常のプレフィル層、そして 1 つまたは 2 つのデコードノードから構成されます。 すべての実験は NVIDIA **B200 GPUs**上で行われます。各プレフィルステージでは、ノードあたり 4 台の B200 GPU にわたってテンソル並列化（tensor parallelism）が使用され、一方、デコードステージでは、4 台の B200 GPU にわたるアテンションシャードイング（attention sharding）を伴うデータ並列化（data parallelism）が採用されます。現実的な admission control を反映し、無制限なテール増幅を避けるため、同時実行中のリクエスト数の最大値を 24 に制限します。 各ターゲット QPS に対して、システムは 30 秒かけてトラフィックを増加させ、その後 600 秒にわたって定常状態の負荷を維持します。QPS は 0.4 から 1.6 の範囲で 0.2 刻みでスウィープし、軽負荷から飽和に至るまでのシステム挙動を捉えます。 ## ワークロード構成 現実的な長文コンテキスト推論ワークロードを反映するため、大規模な共有コンテキストと多ターン対話を特徴とするコーディングエージェントシナリオに基づいたベンチマークを設計しました。このワークロードは、エージェントが複数のターンにわたって膨大なコードベースのコンテキストを維持し、ファイルの読み込み、依存関係の分析、変更の実装、修正の反復といった AI 支援ソフトウェア開発環境を模倣するものです。CPD のスケジューリング決定を負荷する、ウォームおよびコールドプレフィルリクエストが現実的に混合された合成データを使用します。 ## 結果 図 4 は、システム負荷が増加するにつれて、CPD がレイテンシのスケーリング挙動とサービングキャパシティの両方をどのように再構築するかを統合的に示しています。 ![image](https://cdn.prod.website.com/69654e88dce9154b5f12070c/69a985e57d2cf79ec69626d6_699e0b27283a38c060fb90d5_698c2261c937fd425dab7c2b_74c9bb3d.png) **図 4.** ターゲット QPS（秒間クエリ数）の増加に伴う、2P1D/2P2D と CPD のパフォーマンス比較。 ## 飽和挙動 ターゲット QPS が増加すると、プリフェル（事前生成）キャパシティが主要なボトルネックとなる時点で、両システムは振る舞いを分けます。2P1D ベースラインはより早期に飽和し、達成される QPS は GPU あたり約 **0.75–0.8** で頭打ちとなり、その後キューイング遅延が急激に増大します。一方、CPD は同じワークロード下で GPU あたり約 **1.1–1.15 QPS** までスケーリングし続けるため、飽和状態に入る前に持続可能なスループットが約 **40% 増加** していることが示されます。 この飽和点の右方へのシフトは、図 4（左下）のスループット曲線と整合しており、負荷が増加する中で CPD がより高い有効なプリフェルスループットを維持していることを裏付けています。冷たいプリフェル処理をキャッシュを活用した温かいリクエストから分離することで、CPD は長時間実行される冷たいプロンプトが共有のプリフェルキャパシティを独占することを防ぎ、システムが高負荷下でも効率的に動作できるようにします。 ## 負荷時のレイテンシ 軽負荷時、2P1D と CPD の間の中央値 TTFT（p50）は同等であり、混雑していない状態では CPD が追加のオーバーヘッドを導入しないことを示しています。しかし、QPS がベースラインの飽和点に向かって増加すると、振る舞いは劇的に分岐します。 2P1D において、TTFT p50 は 1 秒を超えて急激に上昇し、すぐに数秒の領域に入り込みます。これは、大規模なコールドプリフィル実行の背後でのキューイングを反映しています。一方、CPD ははるかに緩やかな増加を示します：ベースラインがすでに飽和しているターゲット QPS レベルにおいても、CPD は**サブ秒から低秒帯域の中央値 TTFT**を維持します（図 4 左上参照）。この改善は、ワークロードの分離に直接起因するものです。キャッシュされたコンテキストを再利用するウォームリクエストが、高コストなコールドプリフィル実行の背後で待たされる必要がなくなったためです。 テールレイテンシ（TTFT p90）は、より微妙なパターンを示します。中程度の負荷下では、両システムとも同様の p90 挙動を示します。負荷がさらに増加すると、両設計の p90 TTFT は上昇しますが、CPD は評価範囲全体を通じて一貫してベースライン以下または同等にとどまります（図 4 右上参照）。重要なのは、CPD が中央値レイテンシで大幅な改善を達成しながらも、不釣り合いなテール増幅を導入しないことです。コールドトラフィックのバーストによりプリフィル段階内でのキューイングが増加する可能性は依然としてありますが、その影響は主に抑制され、予測可能なテール挙動が維持されます。 ## スループット効率 図 4 のスループット内訳は、これらの改善の根本原因を浮き彫りにしています。CPD は高い QPS（1 秒間のクエリ数）においても GPU あたりのプリフィルスループットを高く維持する一方、ベースラインではプリフィルスループットが頭打ちとなり、キューイングが激化すると低下します。生成スループットは両システム間で概ね同等であり、観測された性能差の主な要因はデコード側の最適化ではなく、より効率的なプリフィルスケジューリングによるものであることを示しています。 ## 主要結果と考察 図 4 は、CPD が混合されたウォームワークロードとコールドワークロードの下での長文コンテキストサービングの動作点をシフトさせることを示しています。デコード容量を 1D から 2D に増やすことで、ベースラインおよび CPD の両構成において全体スループットが向上し、飽和が遅延します。これは、デコード側の並列処理がより高いサービング容量に寄与することを裏付けています。 重要なのは、CPD がデコード容量をスケールした場合でも一貫した改善を提供し続ける点です。1D および 2D の両設定において、CPD は対応するベースラインと比較して、GPU あたりの有効な QPS を高く維持し、中央値の TTFT（First Token Time: 最初のトークンまでの時間）の上昇がより緩やかであることが示されています。さらに、CPD は同等かそれ以上のデコードスループットを維持しており、その恩恵はプリフィルの分離に限定されず、エンドツーエンドのパイプライン利用効率の高さにも及んでいることを示しています。 これらの改善は、モデルの実行速度そのものによるものではなく、prefill パスにおけるキャッシュ認識型の分離によって実現されています。長時間かかるコールドプリフィルが、キャッシュに依存するウォームリクエストをブロックすることを防ぐことで、CPD は高負荷下でも再利用のための高速パスを維持します。これは、コンテキストウィンドウが大きくなるにつれて、モデルやハードウェアの効率性と同様に、システムレベルのスケジューリングと再利用を意識した設計が推論性能における主要な要因となることを示しています。 8S DeepSeek R1 ![image](https://cdn.prod.website-files.com/69654e88dce9154b5f1206dd/6991c1d480f968c7e77a08d1_illustration-block.avif) ネイティブオーディオと生々しい物理挙動を備えた、プレミアムなシネマティックビデオ生成。 DeepSeek R1 8S ## オーディオ名 オーディオ説明 0:00 ネイティブオーディオと生々しい物理挙動を備えた、プレミアムなシネマティックビデオ生成。 8S DeepSeek R1 ![image](https://cdn.prod.website-files.com/69654e88dce9154b5f1206dd/6991c1d480f968c7e77a08d1_illustration-block.avif) ネイティブオーディオと生々しい物理挙動を備えた、プレミアムなシネマティックビデオ生成。 パフォーマンスとスケーラビリティ 本文コピーはここに lorem ipsum dolor sit amet - 箇条書き項目はここに lorem ipsum - 箇条書き項目はここに lorem ipsum - 箇条書き項目はここに lorem ipsum インフラストラクチャ 最適な用途 - より高速な処理速度（全体的なクエリレイテンシの低減）と運用コストの削減 - 明確に定義された単純なタスクの実行 - 関数呼び出し、JSON モード、または他の構造化されたタスク リスト項目 #1 - Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt. - Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt. - Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt. リスト項目 #1 Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. ビルド 含まれる特典: - ✔ プラットフォーム無料クレジット最大 15,000 ドル* - ✔ フォワードデプロイエンジニアリング時間無償 3 時間。 資金調達：500 万ドル未満 ビルド 含まれる特典: - ✔ プラットフォーム無料クレジット最大 15,000 ドル* - ✔ フォワードデプロイエンジニアリング時間無償 3 時間。 資金調達：500 万ドル未満 ビルド 含まれる特典: - ✔ プラットフォーム無料クレジット最大 15,000 ドル* - ✔ フォワードデプロイエンジニアリング時間無償 3 時間。 資金調達：500 万ドル未満 ナタリアは 4 月に友人 48 人にクリップを売り、5 月にはその半分の数を売りました。ナタリアが 4 月と 5 月に合計で何個のクリップを売ったでしょうか？ XX タイトル 本文コピーはここに lorem ipsum dolor sit amet XX タイトル 本文コピーはここに lorem ipsum dolor sit amet XX タイトル 本文コピーはここに lorem ipsum dolor sit amet 8S DeepSeek R1 ![image](https://cdn.prod.website-files.com/69654e88dce9154b5f1206dd/6991c1d480f968c7e77a08d1_illustration-block.avif) ネイティブオーディオと生々しい物理挙動を備えた、プレミアムなシネマティックビデオ生成。 DeepSeek R1 8S ## オーディオ名 オーディオ説明 0:00 ネイティブオーディオと生々しい物理挙動を備えた、プレミアムなシネマティックビデオ生成。 8S DeepSeek R1 ![image](https://cdn.prod.website-files.com/69654e88dce9154b5f1206dd/6991c1d480f968c7e77a08d1_illustration-block.avif) ネイティブオーディオと生々しい物理挙動を備えた、プレミアムなシネマティックビデオ生成。 パフォーマンス & スケーラビリティ 本文コピーはここに lorem ipsum dolor sit amet - 箇条書き項目はここに lorem ipsum - 箇条書き項目はここに lorem ipsum - 箇条書き項目はここに lorem ipsum インフラストラクチャ 最適用途 - より高速な処理速度（全体的なクエリレイテンシの低減）と運用コストの削減 - 明確に定義された単純なタスクの実行 - 関数呼び出し、JSON モード、または他の構造化されたタスク リスト項目 #1 - Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt. - Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt. - Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt. リスト項目 #1 Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. ビルド 含まれる特典: - ✔ プラットフォーム無料クレジット最大 15,000 ドル* - ✔ フォワードデプロイされたエンジニアリング時間無償 3 時間。 資金調達: 500 万ドル未満 ビルド 含まれる特典: - ✔ プラットフォーム無料クレジット最大 15,000 ドル* - ✔ フォワードデプロイされたエンジニアリング時間無償 3 時間。 資金調達: 500 万ドル未満 ビルド 含まれる特典: - ✔ プラットフォーム無料クレジット最大 15,000 ドル* - ✔ フォワードデプロイされたエンジニアリング時間無償 3 時間。 資金調達: 500 万ドル未満 ナタリアは4月に友人48人にクリップを売り、5月にはその半分の数を売りました。ナタリアは4月と5月の合計で何個のクリップを売ったのでしょうか？ XX タイトル 本文コピーはここにロレム・イプサム・ドロール・シット・アメット XX タイトル 本文コピーはここにロレム・イプサム・ドロール・シット・アメット XX タイトル 本文コピーはここにロレム・イプサム・ドロール・シット・アメット

最大40%高速化を実現するキャッシュ対応プリフィル・デコード分離（CPD）

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト