Dans l'actualité
Making Preemption Productive in Long-Output LLM Serving
arXiv cs.AI · Publié le · 3 min de lecture
En 30 secondes
- Ce qui s'est passé
- Stint réduit la thrashing mémoire GPU en préservant les requêtes préemptées et leur donnant des tours de décodage frais lors de la génération de longs outputs.
- Pourquoi ça compte
- Pertinent pour les ingénieurs exploitant des reasoning LLMs sur clusters GPU où la pression mémoire force la préemption et paralyse les requêtes.
- Vigilance
- L'article est en révision, résultats limités aux replays olympiad-math sur hardware spécifique, performance production réelle non validée sur workloads variés.
- llm
- reasoning
- serving
Les patterns derrière cette actualité
Chacun explique le fonctionnement de la technique, quand elle vaut son coût et où elle casse.
The Agent Architect
Un pattern, un compromis, une panne de production racontée. Un brief hebdomadaire court pour ceux qui construisent des systèmes agentiques.
Un email par semaine, désinscription en un clic. Votre adresse ne sert qu'à envoyer le brief.