문샷 AI, 멀티 데이터센터 LLM 서빙 혁신
문샷 AI와 칭화대 연구진이 대규모 언어 모델(LLM)의 추론 방식을 혁신하는 멀티 데이터센터 서빙 아키텍처 'PrfaaS(Prefill-as-a-Service)'를 제안했습니다. 이 아키텍처는 연산 집약적인 프리필(Prefill) 작업을 별도의 클러스터로 분리하고, 하이브리드 어텐션 모델을 통해 크게 감소된 KVCache를 일반 이더넷망으로 전송하여 54% 높은 처리량을 달성합니다.
수년 동안 대규모 언어 모델(LLM)이 추론을 처리하는 방식은 문자 그대로 '상자' 안에 갇혀 있었습니다. 현대 LLM 서빙을 가능하게 하는 대역폭의 RDMA 네트워크는 프리필(prefill)과 디코드(decode) 과정을 동일한 데이터센터, 때로는 동일한 서버 랙에 국한시켰습니다. 문샷 AI(Moonshot AI)와 칭화대학교(Tsinghua University)의 연구진은 이러한 제약이 곧 깨질 것이며, 올바른 아키텍처를 통해 이미 이러한 변화를 활용할 수 있다고 주장합니다.
연구진은 긴 컨텍스트의 프리필 작업을 독립적이고 연산 집약적인 프리필 클러스터에 선택적으로 오프로드하고, 그 결과로 생성된 KVCache를 일반 상용 이더넷(Ethernet)을 통해 로컬 PD(프리필-디코드) 클러스터로 전송하여 디코딩하는 크로스 데이터센터 서빙 아키텍처인 'Prefill-as-a-Service(PrfaaS)'를 도입했습니다. 내부적인 1조(1T) 파라미터 하이브리드 모델을 사용한 사례 연구 결과, 동종 PD 기준선보다 54%, 단순 이기종 설정보다 32% 높은 서빙 처리량을 보여주었습니다. 그리고 이는 사용 가능한 데이터센터 간 대역폭의 극히 일부만 소모합니다. 연구진은 동일한 하드웨어 비용으로 비교할 때 처리량 향상은 약 15%라고 설명합니다. 이는 54%의 전체 이점이 프리필을 위한 더 높은 연산 능력의 H200 GPU와 디코드를 위한 H20 GPU를 페어링한 결과를 반영한 것입니다.
기존 아키텍처가 한계에 도달한 이유 PrfaaS가 해결하는 문제를 이해하려면, 애초에 LLM 서빙이 왜 두 단계로 나뉘는지 이해하는 것이 도움이 됩니다. 프리필(Prefill)은 모델이 모든 입력 토큰을 처리하여 KVCache를 생성하는 단계로, 연산 집약적(compute-intensive)입니다. 디코드(Decode)는 모델이 출력 토큰을 한 번에 하나씩 생성하는 단계로, 메모리 대역폭 집약적(memory-bandwidth-intensive)입니다. 프리필-디코드(PD) 분리(Disaggregation)는 이 두 단계를 서로 다른 하드웨어로 분리하여 활용도를 높이고 각 단계를 독립적으로 최적화할 수 있게 합니다.
문제는 프리필과 디코드를 분리하면 전송 문제가 발생한다는 것입니다. 프리필이 한 장비 세트에서 실행되고 디코드가 다른 장비에서 실행되면, 출력 생성이 시작되기 전에 프리필에서 생성된 KVCache를 디코드 측으로 전송해야 합니다. 그룹 쿼리 어텐션(Grouped Query Attention, GQA)을 사용하는 기존의 밀집 어텐션(Dense-attention) 모델에서는 이 KVCache의 크기가 상당합니다. 연구진은 GQA를 적용한 대표적인 밀집 모델인 MiniMax-M2.5를 벤치마크했는데, 단일 8×H200 인스턴스에서 32K 토큰 요청에 대해 초당 약 60Gbps의 속도로 KVCache를 생성했습니다. 이 정도 용량의 데이터는 연산 지연 없이 전송하기 위해 RDMA 수준의 상호 연결망이 필요하며, 이것이 바로 기존의 PD 분리가 단일 데이터센터 규모의 네트워크 패브릭에 강하게 묶여 있던 이유입니다. 프리필과 디코드를 별도의 클러스터로, 더 나아가 여러 데이터센터에 걸쳐 이동시키는 것은 전혀 불가능했습니다.
하이브리드 어텐션(Hybrid Attention)이 판도를 바꾸다 PrfaaS가 주목받는 이유는 모델 수준에서 발생하는 아키텍처의 변화 덕분입니다. Kimi Linear, MiMo-V2-Flash, Qwen3.5-397B, Ring-2.5-1T를 포함하여 점점 더 많은 모델이 소수의 전체 어텐션(Full-attention) 레이어와 다수의 선형 복잡도(Linear-complexity) 또는 유한 상태(Bounded-state) 레이어(예: Kimi Delta Attention(KDA), Multi-head Latent Attention(MLA), Sliding Window Attention(SWA))를 교차 배치하는 하이브리드 어텐션 스택을 채택하고 있습니다.
이러한 아키텍처에서는 전체 어텐션 레이어만 시퀀스 길이에 비례하여 커지는 KVCache를 생성합니다. 선형 복잡도 레이어는 크기가 고정된 순환 상태를 유지하므로, 긴 컨텍스트에서 그 메모리 점유율은 무시할 수 있을 정도로 작습니다. KVCache 크기를 프리필 지연 시간으로 나눈 값인 KV 처리량 수치는 이를 명확히 보여줍니다. 32K 토큰 기준으로 MiMo-V2-Flash는 4.66Gbps의 속도로 KVCache를 생성하는 반면, MiniMax-M2.5는 59.93Gbps로 약 13배의 감소율을 보여줍니다. Qwen3.5-397B는 8.25Gbps로, Qwen3-235B의 33.35Gbps와 비교해 4배 감소했습니다. 특히 Ring-2.5-1T 모델에 대해서는 논문에서 이러한 절감 효과를 세분화하여 설명합니다. MLA가 GQA 대비 약 4.5배의 압축을 제공하고, 7:1의 하이브리드 비율이 추가로 약 8배의 감소를 제공하여 전체적으로 KV 메모리를 획기적으로 절감할 수 있습니다.