nano-vllm/docs/bench_offload_results.md

CPU Offload Benchmark Results

本文档记录 bench_offload.py 在不同配置下的性能测试结果。

测试环境

参数	值
GPU	NVIDIA A100-SXM4-80GB
模型	Llama-3.1-8B-Instruct
GPU slots	4

Sparse Policy 配置

策略	Prefill	Decode	说明
FULL	Full Attention	Full Attention	基线，加载所有 blocks
XATTN_BSA	XAttention (tau=0.95, stride=8)	Full Attention (fallback)	稀疏 prefill

测试结果

Block Size 4096 (推荐)

GPU-only 模式

上下文	Full Attention	XAttention	相对性能
32K	4863 tok/s	5587 tok/s	+14.9% ✅
64K	3373 tok/s	4766 tok/s	+41.3% ✅

CPU Offload 模式

上下文	Full Attention	XAttention	相对性能
32K	4648 tok/s	4002 tok/s	-13.9% ❌
64K	3329 tok/s	2642 tok/s	-20.6% ❌
128K	2122 tok/s	867 tok/s	-59.1% ❌

Block Size 256 (小 block 测试)

CPU Offload 模式 (64K)

策略	耗时	吞吐量	相对性能
Full Attention	401.04s	163.41 tok/s	baseline
XAttention BSA	390.35s	167.89 tok/s	+2.7% ✅

Block Size 1024 (历史测试)

CPU Offload 模式

上下文	Full Attention	XAttention	相对性能
32K	1587.74 tok/s	1172.33 tok/s	-26%
128K	552.63 tok/s	466.17 tok/s	-16%

关键发现

1. GPU-only vs CPU Offload 模式差异

模式	XAttention 效果	原因
GPU-only	✅ 显著加速 (+15% ~ +41%)	计算是瓶颈，稀疏注意力减少 FLOPs
CPU Offload	❌ 性能下降 (-14% ~ -59%)	传输是瓶颈，稀疏估计增加额外开销

2. Block Size 对性能的影响

Block Size	64K Full (Offload)	特点
4096	3329 tok/s	⭐ 最佳性能
1024	~1500 tok/s	中等
256	163 tok/s	极慢（20x 下降）

原因: 更小的 block = 更多的 blocks = 更多 H2D 传输开销

3. XAttention 在小 Block Size 下反转

当 block size = 256 时，XAttention 反而略有优势 (+2.7%)：

• 256 个 blocks (vs 16 个 @ 4096)
• 稀疏跳过的 blocks 比例更明显
• 但绝对性能极差，不推荐使用

4. 性能下降随上下文增长加剧

Offload 模式 XAttention 相对性能:
32K:  -14%  (传输占 ~60%)
64K:  -21%  (传输占 ~70%)
128K: -59%  (传输占 ~80%)

原因：

• 传输占比随上下文增长
• XAttention 估计开销 O(num_chunks) 线性增长
• 节省的计算量被传输瓶颈掩盖

结论

推荐配置

场景	推荐策略	Block Size
GPU-only (VRAM 充足)	XAttention	4096
CPU Offload	Full Attention	4096

XAttention 适用条件

✅ 适合:

• GPU-only 模式（计算密集）
• 长上下文（64K+）收益更大

❌ 不适合:

• CPU Offload 模式（传输密集）
• 短上下文（<32K）收益不明显

运行命令

# GPU-only 模式
CUDA_VISIBLE_DEVICES=0 python bench.py --max-len 65536 --block-size 4096 --gpu-util 0.7
CUDA_VISIBLE_DEVICES=0 python bench.py --max-len 65536 --block-size 4096 --gpu-util 0.7 --policy xattn

# CPU Offload 模式 (推荐 block-size 4096)
CUDA_VISIBLE_DEVICES=0 python bench_offload.py --max-len 65536 --block-size 4096
CUDA_VISIBLE_DEVICES=0 python bench_offload.py --max-len 65536 --block-size 4096 --enable-xattn

# CPU Offload 模式 (小 block size 测试)
CUDA_VISIBLE_DEVICES=0 python bench_offload.py --max-len 65536 --block-size 256
CUDA_VISIBLE_DEVICES=0 python bench_offload.py --max-len 65536 --block-size 256 --enable-xattn

# 调整 XAttention 参数
CUDA_VISIBLE_DEVICES=0 python bench_offload.py --enable-xattn --xattn-threshold 0.8 --xattn-stride 16

更新记录

• 2026-01-27: 添加 GPU-only vs Offload 对比，block size 影响分析
• 2026-01-27: 初始测试，Llama-3.1-8B-Instruct, A100 80GB