从大模型爆发到现在，我就一直好奇为什么output token比input token要贵，而且有的会贵好几倍！今天就这个话题和大家聊一聊。

计算量（FLOPs）

对于输入和输出相同数量的token，模型的浮点运算次数（FLOPs）大致相同，这个计算量是由模型的前向传播决定的，无论是处理输入还是输出。

内存

输入 token 的QKV是并行计算，输出token的QKV是KV Cache 的形式。从内存的角度来讲，输出时需缓存此时token前的KV矩阵，经过一系列的优化手段，输出所占显存比输入大的并不多。

通信瓶颈

如果GPU计算速度超过数据读取速度，GPU的流处理器就会处于等待状态，那通信就是瓶颈；反之，如果计算速度慢于数据读取速度，通信就需要等待，那就是计算瓶颈。而大模型训练在多数情况下，都是算的快读的慢，即通信是瓶颈。

经过长时间的优化，整体的 MFU (Model FLOPs utilization) 很难打满，目前大模型的训练 MFU 在50-60% 就已经很厉害了。

并行与序列化

在计算量时写过，对于输入token来说，模型可以利用并行只需执行一个 forward 计算，整个计算过程的利用率能接近训练的最高水平。

然而对于输出token来说，必须是一个token一个token的生成，对于D个输出token来说，需要执行 D 次 forward 操作。而通信本来就是瓶颈，现在 D 次 forward 的额外通信更是雪上加霜。虽然现在也有batch 与动态填充等等优化，但是 GPU 利用率上来说，输出是远低于输入的。

总结

• 计算量大致相同
• output所需内存比input大
• 由于计算output时需要逐一计算，所以存在通信瓶颈，使计算output时GPU利用率较低

以上原因，导致了output token比input token更贵一些。

文章来自于微信公众号“AI有温度”，作者“安泰Rolling”