大模型推理系统的设计过程，本质上是在多重约束下寻找最优解的过程。硬件资源的物理限制、场景对性能的刚性要求、系统的可扩展性需求，共同构成了设计的边界条件。明确这些约束的具体表现形式，理解性能指标之间的权衡逻辑，确立架构设计的核心原则，是构建高效分布式推理系统的前提。

一、硬件资源约束深度解析

硬件是分布式推理系统的物理基础，其固有的性能上限构成了设计的第一重约束。这些约束并非静态的“天花板”，而是需要通过技术手段灵活适配的动态边界。

1. 显存限制：从静态存储到动态增长

单设备的显存容量是最直观的约束，但其影响远超“能否装下模型”这一表层问题。

• 模型参数存储的刚性需求：
  模型参数的显存占用与参数量和精度直接相关。以FP16精度为例，130B参数模型需要260GB显存（130B×2字节），而当前主流GPU（A100/H100）的单卡显存上限为80GB，仅能容纳模型的1/3。即使采用INT4量化（参数存储量降至1/4），130B模型仍需65GB，接近单卡上限，剩余显存难以承载推理过程中的中间结果。

• KV缓存的动态扩张：
  推理过程中，KV缓存（存储每一层的Key和Value张量）的显存占用随序列长度动态增长，其增长速度甚至超过模型参数本身。例如，70B模型处理128K token时：

  • 单头KV缓存的大小为：序列长度×隐藏层维度×2（Key+Value）×2字节（FP16）= 128,000 × 8,192 × 2 × 2 ≈ 4.1GB；
  • 模型通常包含96个头，总KV缓存需求为4.1GB×96≈394GB，远超单卡80GB显存。

• 碎片化与预留空间：
  动态分配显存会导致碎片（利用率通常仅60%-70%），且需预留10%-20%的“应急空间”应对突发需求（如长序列输入）。这意味着实际可用显存往往仅为标称容量的50%-60%，进一步加剧了显存压力。

2. 算力瓶颈：从单卡极限到集群协同

算力决定了推理的速度上限，而高并发场景下的算力需求往往呈指数级增长。

• 单卡算力的物理极限：
  当前顶级GPU（H100）的FP16算力约为4PetaFLOPS，但实际推理中受内存带宽、算子效率等因素限制，有效算力通常仅为理论值的50%-70%。以70B模型处理1K token为例，单次推理的计算量约为2.8×10¹⁴次运算，单卡需耗时约14秒（2.8×10¹⁴ ÷ (4×10¹⁵ × 0.6)），完全无法满足实时性需求。

• 高并发场景的算力黑洞：
  当QPS（每秒请求数）达到1000时，单卡算力根本无法支撑。例如，1000 QPS的70B模型推理，总计算需求为1000 × 2.8×10¹⁴ = 2.8×10¹⁷次/秒，需约117张H100（2.8×10¹⁷ ÷ (4×10¹⁵ × 0.6)）才能满足，这还未考虑请求之间的调度开销。

• 计算效率的非线性衰减：
  当批量大小（batch size）超过一定阈值（如32），GPU计算单元的利用率不再线性提升，反而因内存访问延迟增加导致效率下降。这意味着单纯通过增大batch提升算力利用率的方式存在天花板。

3. 通信带宽：节点内外的速度鸿沟

分布式推理依赖设备间的数据传输，通信带宽与延迟直接决定了并行策略的有效性。

• 节点内通信的优势与局限：
  同一节点内的GPU通过NVLink或NVSwitch连接，带宽可达900GB/s（H100节点），延迟仅微秒级。这种高带宽低延迟特性使得节点内适合部署张量并行（TP）等通信密集型策略。但节点内GPU数量有限（通常8卡），当并行度超过节点规模时，必须依赖跨节点通信。

• 节点间通信的性能损耗：
  跨节点通信通常依赖RDMA网络，主流200Gbps RDMA的实际有效带宽约25GB/s，仅为NVLink的1/36，延迟则为数十微秒（是节点内的10-100倍）。例如，传输