本次演讲将聚焦于 Omni Cache 的 DRAM-Centric KV 管理架构设计。将从一个核心问题出发：如何在长上下文大模型推理中，突破 HBM 容量瓶颈，实现数量级的容量扩展与并发提升？

传统的 PagedAttention 架构将 KV cache 静态预分配在 HBM 中，导致 KV 存储与激活张量竞争有限的显存资源。这种 HBM-Centric 设计在模型参数和上下文长度增长时面临三重困境：容量受限、系统隔离、算法复杂。现有 offload 方案保留 HBM block pool 作为权威存储，未能触及核心矛盾。

Omni Cache 引入 DRAM-Centric 范式：KV cache 驻留 host memory（TB 级），HBM 仅作为瞬态计算缓冲区。通过独立 Memory Manager daemon、两步虚拟地址管理、层级流水线传输三大创新，实现 prefill 容量扩展、decode 并发提升和 KV 容量数量级扩展，同时保持高吞吐量。

演讲提纲：

1. 大模型推理的 HBM 资源困境
   • PagedAttention 静态预分配导致的 KV 与激活张量资源冲突
   • 系统隔离问题：跨实例共享困难、MLA 冗余存储、重启丢失缓存
   • 现有 offload 方案的局限性：HBM block pool 权威存储地位未变
2. Omni Cache 架构总览
   • 核心设计理念：计算与存储解耦，KV buffers vs KV cache 分离
   • 单节点架构：Memory Manager daemon 管理共享 host pool，支持多实例共享和崩溃恢复
   • 集群级架构：KV Fabric Manager 维护全局 APC radix tree，实现跨节点 KV 共享
   • 数据传输：Transfer Engine 负责 H2D/D2H scatter/gather 及跨节点 Remote Read
3. 核心创新与工程挑战破解
   • 挑战一：Prefill 阶段 HBM 不足 → Per-layer ring buffer 实现逐层释放
   • 挑战二：Decode 并发受限 → 选择性区域 host 驻留 + Multi-stage Batch Overlap
   • 挑战三：间接寻址开销 → 两步虚拟地址管理消除 block table
   • 挑战四：跨节点 KV 共享 → KV Fabric 全局寻址与路由优化
   • 挑战五：小粒度传输效率低 → Device-side scatter/gather kernel
4. 性能评估与实际效果
   • Transfer Engine 传输效率：小粒度和大粒度场景的带宽表现
   • Prefill 容量扩展：显著提升最大序列长度，吞吐量与基准持平
   • Decode 并发扩展：单请求 HBM 占用大幅降低，并发请求数量显著提升
5. 总结展望

听众收益：

• 深入理解长上下文推理的 HBM 瓶颈根源及 DRAM-Centric 架构设计思想
• 掌握计算与存储解耦的关键技术：独立 Memory Manager、两步虚拟地址管理、层级流水线传输
• 了解稀疏注意力模型的内存优化范式：异构访问模式的分层缓冲策略与延迟掩盖技术
• 获取工业级 LLM 推理系统的真实性能数据与工程实践经验