# 1.5x提升:PD分离KV cache传输的实践经验

> **来源**：知乎专栏「LLM推理基础与框架」  
> **作者**：PD分离传输优化 HW/YN 联合团队（ky、zzy、LCAIZJ、CZ、hyh、lrj、zpb、dfq、fjw 等）  
> **发布日期**：2026-08-05  
> **原文链接**：https://zhuanlan.zhihu.com/p/1946608360259577576

---

## 目录

最近我们团队[1]在 vLLM 上开发了一种 KV cache 传输的 connector，实现了传输性能 __50%__[2]__的提升__，相关代码已全部开源。在过程中遇到的挑战/问题在这里进行一个分享，希望能给从事相关行业的读者带来些思考与借鉴。

基础知识参看上一篇：

## 1 问题模型分析

__总体需求__：LLM 的推理 PD 分离场景下，Prefill 实例要将计算好的 KV cache 传输给 Decode 实例进行后续运算，需要设计一种高效的传输机制保证推理性能。

![Image 1](https://picx.zhimg.com/v2-7b42f2c816805d898b3ba1dda04441f5_1440w.jpg)

KV cache 传输属于分布式模型数据传输的一种，所以网络传输中存在的带宽、时延、可靠性等问题都会遇到。KV cache 传输有自身特点，关注侧重点也有差异，主要看其对性能指标(TTFT/TPOT)的影响。如下大致梳理了 KV cache 传输中会遇到的问题：

| 类型 | 问题 | 举例 |
| --- | --- | --- |
| 数据 | 数据的类型 | torch.tensor、GPU/CPU tensor |
|  | 内存排布形态 | 按层排布、凑整排布 |
|  | attention 模块类型 | GQA/MLA/MHA |
| 数据传输 | 传输通道 | TCP/RDMA |
|  | 链路数量 | FullMesh、异构传输； |
|  | 网络形态 | 跨节点、跨交换机，异构硬件 |
|  | 传输效率 | 及 |

## 参考

1. ^PD 分离传输优化 HW/YN 联合团队：ky、zzy、LCAIZJ、CZ、hyh、lrj、zpb、dfq、fjw 等
2. ^性能参考基线为起始版本，平均提升基线为 0.5x，某些情况下可能会有一定损失

---

> **下载说明**：本文原文托管于知乎专栏，受知乎反爬虫/登录限制，本次抓取仅获得文章开头部分（目录、引言、问题模型分析小节及参考文献），正文后续章节（传输方案设计、优化手段、benchmark 数据等）未能完整获取。如需完整内容请访问原文链接登录阅读。