实战篇第12节：MPS——提升多进程推理的GPU利用率

一台8卡A100服务器跑着12个推理服务——每个服务独占一张卡浪费了60%的算力。MPS (Multi-Process Service) 让多个CUDA进程"共享"一张GPU，但不是简单的分时——它改变了CUDA的调度模型

前言

默认的CUDA进程模型是时间片轮转：GPU的compute engine一次只能运行一个进程的kernel。如果进程A提交了一个只用到20% SM的kernel，剩余80%的SM就白白空闲——进程B的kernel干等着进不来。

MPS改变了这个模型：它将多个CUDA进程的kernel合并到同一个执行上下文中，在SM级别混合调度——进程A用40%的SM，进程B和C各用30%，三个进程真正在同一个GPU上并行执行。

但MPS不是免费的：有内存隔离的妥协、有错误传播的风险、还有配置上的坑。这一节，我们拆解MPS的原理、配置和最佳实践。

一、时间片轮转 vs MPS

1.1 默认模式：单进程独占

时间轴（默认模式，无MPS）: ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ [进程A kernel] | 空闲 | [进程B kernel] | 空闲 | 40% SM | 0% | 30% SM | 0% | ━━━━━━━━━━━━━━━━━━━━━━