PagedAttention 是一种借鉴操作系统虚拟内存分页（Paging）机制的 LLM 显存管理算法，主要用于解决大语言模型推理阶段 KV Cache（键值缓存）导致的显存碎片化与高并发受限问题。
1. 核心概念
在传统 Transformer 推理中，为了避免重复计算历史 Token 的注意力矩阵，系统会保存所有历史 Token 的 Key 和 Value 向量（即 KV Cache）。传统方式要求这些向量在 GPU 显存中占用连续的空间。
PagedAttention 的核心思想在于将逻辑上的连续显存与物理上的离散显存解耦：
KV Block（键值块）：将 Token 序列的 KV Cache 切分为固定大小的逻辑块（例如每个 Block 包含 16 个 Token）。
Block Table（块表）：维护类似操作系统页表的映射关系，记下逻辑 KV Block 与物理 GPU 显存块的对应关系。
按需分页计算：在计算 Attention 时，CUDA 内核根据 Block Table 动态调取非连续物理显存中的 KV Block 进行矩阵运算。
2. 核心作用
显存按需分配：在 Prompt 处理和新 Token 生成过程中，不再预先分配最大文本长度的显存，而是产生多少 Token 就动态申请多少物理 Block。
实现显存共享：对于相同的前缀（如 System Prompt 或多轮对话历史），多个请求可以通过映射到同一组物理 Block 实现显存复用。
物理显存解耦：解除对 GPU 连续大块显存的依赖，大幅提升显存利用效率。
3. 能解决什么实际问题
| 传统 KV Cache 管理痛点 | PagedAttention 的解决效果 |
| 预分配浪费：按最大长度（如 4K/32K）提前划定空间，实际未生成部分全部闲置 | 零预留开销：只为已生成的实际 Token 分配物理内存，显存浪费率从 60%~80% 降至 4% 以下 |
| 内存碎片化：请求长度不一且频繁创建/销毁，导致严重的外碎片与内碎片 | 零块外碎片：所有 Block 均为固定尺寸（如 16 Tokens），内部仅在最后一个 Block 产生微小碎片 |
| 并发吞吐瓶颈：显存很快被少数请求撑爆，Batch Size 无法拉高 | 吞吐量提升 2-4 倍：节省出的显存可容纳更多并行 Batch，显著降低单 Token 服务成本 |
| 复杂采样开销大：Beam Search、Parallel Sampling 需全量复制 KV Cache | Copy-on-Write 零拷贝：分支生成时仅复制物理指针，仅当某分支产生新 Token 时才为其分配独立 Block |
4. 运用到的主流项目
PagedAttention 已成为当下 LLM 高性能推理引擎的标配底层技术：
vLLM（首创者）
UC 伯克利团队提出 PagedAttention 的原生框架，是当前部署开源大模型（如 Llama 3、Qwen 2.5）最主流的高并发推理引擎之一。
Hugging Face TGI (Text Generation Inference)
Hugging Face 的企业级推理服务框架，吸收并集成了基于块管理的分页 KV Cache 优化。
TensorRT-LLM
NVIDIA 官方推出的推理解析库，在其 Paged KV Cache 机制中采用了与 PagedAttention 相同的思想以适配 H100/A100/L40S 等硬件。
SGLang
针对结构化文本生成与复杂 Agent 调用的框架，在其底层的 RadixAttention 中深度扩展了 PagedAttention 的前缀共享能力。
LMDeploy
OpenMMLab 推出的部署工具套件，其 TurboMind 推理引擎支持基于分页管理的 KV Cache 机制。
Ollama / LocalAI
在后端集成高性能引擎（如 vLLM 或定制化后端）时，均依赖 PagedAttention 提供本地多并发对话支持。