前言

在 AI 技术飞速发展的今天，大语言模型（LLM）、多模态模型等前沿技术正深刻改变行业格局。推理服务是大模型从“实验室突破”走向“产业级应用”的必要环节，需直面高并发流量洪峰、低延时响应诉求、异构硬件优化适配、成本精准控制等复杂挑战。

阿里云人工智能平台 PAI 致力于为用户提供全栈式、高可用的推理服务能力。在本系列技术专题中，我们将围绕分布式推理架构、Serverless 弹性资源全球调度、压测调优和服务可观测等关键技术方向，展现 PAI 平台在推理服务侧的产品能力，助力企业和开发者在 AI 时代抢占先机，让我们一起探索云上 AI 推理的无限可能，释放大模型的真正价值！

当大模型推理服务遭遇突发流量，扩容往往慢在“最后一分钟”：新实例扩缩容过程中，仍需从存储系统上拉取数十乃至上百 GB 的模型或数据，网络 IO 成为瓶颈。当突发流量来临时，这种延迟会导致自动扩缩容机制失效，算力在等待模型加载的过程中持续闲置，而客户请求已在接入层大量堆积。另外在多模态 AIGC 生成的场景中，推理请求会涉及到频繁切换基础模型和 lora 模型，每次切换都需从存储系统回源读取模型，导致推理延迟大幅延时增加。

为了解决这个问题，PAI-EAS 提供本地目录内存缓存（Memory Cache）的大模型分发加速功能。具体的实现原理如下图所示：

• 利用空闲内存将本地目录中的模型文件缓存到内存中。

• 该缓存支持 LRU 淘汰策略和实例间共享，以文件系统目录形式呈现。

• 无需修改业务代码，直接读取缓存配置的目标本地目录中的文件，即可享受加速效果。

• 同一服务的不同实例会形成 p2p 网络，实例扩容时可通过 p2p 网络就近读取缓存文件，加速扩容速度。

模型切换的加速效果如下：

注：单位为秒，下表为实验结果，最终的加速效果以实际情况为准

• 当缓存中没有对应的模型时，大模型缓存加速会自动回源读取模型。如该文件通过 OSS 挂载，则大模型缓存加速会从 OSS 拉取文件。

• 服务内的多个实例会形成内存共享集群，加载相同模型时直接从远端内存拉取，读取时间与文件大小呈线性相关。

• 服务扩容时，新实例会加入内存共享集群，初始化模型可直接从远端读取，弹性扩缩容更快，适合弹性场景。

使用方式

1. 登录PAI控制台，在页面上方选择目标地域，并在右侧选择目标工作空间，然后单击进入 EAS。

2. 在推理服务页签，单击部署服务，选择自定义模型部署>自定义部署。

3. 在服务功能的区域，进行内存缓存加速的相关配置。

PAI 同时发布了模型权重服务能力，可以大幅度降低 LLM 场景下的推理服务冷启动与扩容时长。详见链接：

PAI 重磅发布模型权重服务，大幅降低模型推理冷启动与扩容时长

系列简介：云上 AI 推理平台全掌握

本系列 《云上 AI 推理平台全掌握》 将深度解析阿里云 AI 推理平台的技术架构、最佳实践与行业应用，涵盖以下核心内容：

1. 技术全景：从分布式推理、动态资源调度到 Serverless，揭秘支撑千亿参数模型的底层能力。

2. 实战指南：通过压测调优、成本优化、全球调度等场景化案例，手把手教你构建企业级推理服务。

3. 行业赋能：分享金融、互联网、制造等领域的落地经验，展示如何通过云上推理平台加速 AI 业务创新。

无论客户是 AI 开发者、架构师，还是企业决策者，本系列都将为客户提供从理论到实践的全方位指导，助力客户在 AI 时代抢占先机。让我们一起探索云上 AI 推理的无限可能，释放大模型的真正价值！

立即开启云上 AI 推理之旅，就在阿里云人工智能平台 PAI。