随着大语言模型在文本分析、智能问答等场景的广泛应用，处理1M超长文本推理时，常常面临显存不足、运算速度卡顿的行业痛点，严重限制了超长文本场景的应用。近日，上海交通大学李健教授团队依托上海交通大学 鲲鹏昇腾科教创新卓越中心的算力支持，基于vLLM-Ascend 推理框架研发出一套针对超长上下文推理的稀疏注意力 KV Cache 分层缓存管理系统。在昇腾 AI 软硬件平台的全方位赋能下，该项目成功破解单卡支持超长上下文推理的显存与性能双重难题，同时大幅提升吞吐量。
项目核心创新在于设计了 KV Cache 分级缓存集成机制。该机制先对推理任务进行实时分析，智能识别Top-K 重要块并集中算力处理，从源头提升计算效率;同时采用数据冷热分层存储策略，根据数据访问频率，将生成数据动态划分为高频热数据与低频冷数据，再针对性优化存储位置，减少资源浪费。这一机制的落地依托昇腾CANN异构计算架构灵活的动态调度能力，能精准控制冷热数据在显存与主存间的流转，大幅降低数据迁移开销。最终，该方案实现单卡流畅处理超过1M的超长文本推理任务，系统推理吞吐量超过39%，彻底突破传统系统在长序列处理上的显存与性能瓶颈。
同时项目进行了元数据结构优化与缓存机制设计，其中数据索引与掩码是关键支撑 —— 通过精简索引结构、合并掩码维护步骤，有效减少重复运算，使昇腾NPU算力更集中于注意力计算与文本生成等核心任务，提升硬件利用效率。相关优化已通过vLLM-Ascend推理框架灵活集成，保障了技术方案的顺利落地。
目前，该项目源代码已在 Gitee 社区中开源，后续将进一步推送到昇腾开源生态，合入GitHub社区 vLLM-Ascend 项目专区。此次技术突破，不仅为超长文本推理提供了高效解决方案，更印证了昇腾生态在AI创新中的赋能价值。未来，随着该系统在更多行业场景的落地，昇腾将持续为AI技术研发提供算力与技术保障，推动大语言模型在长文本分析、智能办公、数字孪生等千行百业的深度应用，加速人工智能产业化进程。
（推广）