If you have ever watched an LLM generate a long response and wondered why it seems to crawl after the initial prompt flash, you are observing a hardware bottleneck in real time. Most developers blame their Python code, the framework, or the sheer size of the model. They profile functions, swap optimizers, and shave milliseconds off preprocessing. None of that fixes the real problem. The speed limit is not in your software. It is in the silicon.
Every large language model inference job depends on two physical traits of the GPU sitting in your server: how fast it can crunch numbers, and how fast it can move those numbers into position to be crunched.
Math Is Cheap. Moving Data Is Not
GPU marketing loves to talk about compute. Trillions of floating-point operations per second. The numbers are staggering. But compute is only half the story. The other half is memory bandwidth, the rate at which data travels from high-bandwidth memory into the compute cores where the actual arithmetic happens.
An LLM cannot run faster than the weaker of these two links. Imagine a commercial kitchen with twenty master chefs. The ovens are hot, the knives are sharp, and every cook is ready. But the produce delivery arrives by bicycle, one basket at a time. The kitchen stalls. Adding more chefs will not fix it. Buying faster ovens will not fix it. The bottleneck is the road.
In modern datacenter GPUs, the arithmetic units are so powerful that they often finish their calculations and then sit idle, burning cycles while they wait for weights and activations to stream through memory. This imbalance is not a bug in your code. It is the physical reality of how chips are built. Memory bandwidth has not kept pace with raw compute, and LLMs are particularly cruel to this imbalance because their forward passes require touching every single parameter for every single output token.
Why Prompts Feel Fast and Generation Feels Slow
LLM inference splits into two distinct phases, and they stress the hardware in completely different ways.
Prefill happens when your prompt first hits the model. All tokens arrive together. The GPU can process them in parallel using large matrix-matrix multiplications. Thousands of arithmetic units fire at once, and the workload stays dense. This phase is compute-bound. That sudden burst of speed you see at the start? That is the GPU doing exactly what it was built to do.
Decode is where things turn painful. When the model generates the next token, it does so one token at a time. This stage relies on matrix-vector operations, which use only a tiny fraction of the GPU's parallel capacity. Worse, every new token forces the GPU to reload the entire model weights from memory. The arithmetic units want work. Instead, they wait. Decode is memory-bound. The GPU is effectively acting as an expensive traffic controller, shuttling parameters back and forth across the memory bus while the math engines cool off. This is why a hundred-word response can take ten seconds even though the initial prompt analysis felt instant.
The KV cache makes this even more interesting. During decode, the model stores key and value tensors for every previous token so it does not recompute attention from scratch. That cache grows with sequence length. It also lives in memory. So now the GPU is not just reloading weights; it is reading and writing an ever-expanding cache on every single forward pass. The compute cores are barely breaking a sweat while the memory bus sweats for both of them.
Fighting the Memory Wall
Engineers have developed a small arsenal of techniques to reduce how much data must move, or at least to share the cost of moving it.
Batching is the most straightforward. If one user’s request forces a full weight load from memory, then processing eight or sixteen requests at once lets the GPU amortize that load across all of them. The weights are read once and reused for every sequence in the batch. In production, sophisticated scheduling systems group requests dynamically, sometimes called continuous or in-flight batching, so that the GPU rarely pauses. It is the difference between a bus and sixteen separate cars on the same route.
La quantification s'attaque directement au problème de la bande passante. Les poids des modèles sont généralement stockés dans des formats de nombres à virgule flottante en seize bits. En les compressant en entiers de huit bits ou même de quatre bits, vous réduisez littéralement de moitié ou plus la quantité de données circulant sur le bus. Le modèle a toujours besoin d'une précision suffisante pour produire un résultat cohérent, mais les méthodes modernes de quantification post-entraînement peuvent réduire considérablement l'empreinte mémoire d'un modèle sans en détruire la qualité. Moins de données en transit signifie moins de temps d'attente au niveau du contrôleur de mémoire.
FlashAttention restructure le mécanisme d'attention pour maintenir les résultats intermédiaires à l'intérieur de la mémoire rapide intégrée (on-chip) du GPU. L'attention standard devait écrire de grandes matrices d'attention dans la mémoire externe lente, puis les relire. FlashAttention divise le calcul en petits blocs (tiles) qui tiennent dans la SRAM, effectue les étapes de softmax et de mise à l'échelle sur la puce, et ne réécrit que les résultats finaux dans la mémoire à large bande passante. Cela sacrifie un peu de puissance de calcul supplémentaire pour réduire considérablement les allers-retours vers la mémoire principale, ce qui est presque toujours un pari gagnant.
PagedAttention résout un autre type de gaspillage de mémoire. Pendant le décodage, le cache KV croît de manière imprévisible. Les systèmes traditionnels allouent des blocs de mémoire contigus et fixes pour chaque séquence, laissant de grands espaces vides lorsque certaines séquences se terminent prématurément et que d'autres s'étendent. PagedAttention emprunte le concept de mémoire virtuelle aux systèmes d'exploitation. Il stocke les entrées du cache KV dans des blocs de taille fixe qui peuvent être alloués de manière non contiguë et mappés via une table d'indirection. Cela empêche la mémoire de rester inactive dans des tampons réservés mais à moitié vides et permet des tailles de lots (batch sizes) plus importantes, ce qui améliore le débit global en occupant le bus mémoire avec des tâches utiles plutôt qu'avec la surcharge de la fragmentation.
Changer de perspective
Lorsque la latence grimpe en flèche, trop d'équipes se demandent si elles devraient passer à un modèle plus petit ou réécrire leur serveur d'inférence. Ces questions sont importantes, mais elles sont secondaires. La première question devrait porter sur le matériel lui-même. Votre GPU est-il réellement occupé à calculer, ou est-il affamé de données ?
Examinez vos métriques d'utilisation. Analysez la saturation de la bande passante mémoire parallèlement à l'occupation de la puissance de calcul du GPU. Si vous constatez une forte contention mémoire et une faible intensité arithmétique pendant le décodage, vous n'avez pas un problème d'architecture de modèle. Vous avez un problème de physique. La solution ne viendra pas d'un code Python plus propre. Elle viendra d'un batching plus agressif, de la quantification de vos poids pour passer plus vite dans le tuyau, de la restructuration de l'attention pour rester sur la puce, et de la gestion du cache KV pour pouvoir intégrer des lots plus importants sans manquer d'espace.
Une fois que vous percevez l'inférence sous cet angle, l'optimisation devient mécanique. Vous cessez de courir après des mythes selon lesquels l'intelligence du modèle ralentirait les choses, et vous commencez à prendre des décisions d'ingénierie fondées sur ce que le matériel peut réellement fournir. C'est ce changement qui distingue les systèmes de production capables de passer à l'échelle de ceux qui se contentent de fonctionner.