一个网关函数把inflight加一返回“允许执行”随后在finally里减一看起来很完整。问题是后端推理还没开始这个许可就已经归还了。高峰流量下计数器显示很低GPU 上却可能排满了冷前缀请求。10 月的 Mooncake 项目更新涉及跨实例 KV 缓存池的连接器。共享缓存扩展了复用路径也让网关更难仅凭一个前缀字符串判断请求代价。缓存命中信息应来自可核对的引擎状态不能由FORCE_HIT这样的标签凭空保证。项目更新许可的边界跟着工作走一次冷请求的许可应该覆盖实际计算及必要的响应清理至少不能早于后端请求结束。异常与取消也必须经过相同的释放路径。单进程协程内可以用asyncio.Semaphore表达这个生命周期多进程或多网关节点需要额外的全局协调本文没有实现。Python 同步原语文档图中的Infer到Finish都在许可范围内错误路径绕过正常结束仍需归还许可。图标是生命周期示意不表示真实模型架构。import asyncio class Gateway: def __init__(self, limit): if limit 1: raise ValueError(positive limit required) self.permits asyncio.Semaphore(limit) self.active 0 self.peak 0 async def infer(self, work): async with self.permits: self.active 1 self.peak max(self.peak, self.active) try: return await work() finally: self.active - 1 async def main(): gate Gateway(2) async def success(): await asyncio.sleep(0) return ok async def fail(): await asyncio.sleep(0) raise ValueError(fixture failure) tasks [gate.infer(success) for _ in range(5)] [gate.infer(fail)] results await asyncio.gather(*tasks, return_exceptionsTrue) assert gate.peak 2 and gate.active 0 assert sum(isinstance(x, ValueError) for x in results) 1 assert await gate.infer(success) ok started asyncio.Event() async def waiting(): started.set() await asyncio.Event().wait() cancelled asyncio.create_task(gate.infer(waiting)) await started.wait() cancelled.cancel() await asyncio.gather(cancelled, return_exceptionsTrue) assert gate.active 0 assert await gate.infer(success) ok print(peak2; failure/cancellation released permits; next request: PASS) asyncio.run(main())热请求也不能跳过容量账热前缀命中只是减少了部分预填充工作输出解码仍然消耗资源。冷流许可、总请求上限和租户额度应分开否则热请求也可能挤满输出队列。流式接口还要说明许可覆盖的是收到响应头、读完流还是上游确认取消三者不是同一个时刻。示例已在本地验证成功请求、异常请求、主动取消和后续请求的许可回收。它使用让出调度的教学协程没有连接 GPU、Mooncake 或模型 API这里的peak2是程序不变量不是吞吐性能结论。要开展真实容量测试应记录排队时间、预填充时间、解码时间、拒绝率和取消后的资源回收不能把总延迟降低的倍数叫作可用性提升。
