插播：之前写的《动手学 AutoML》终于出版了，从 NAS 到超参优化都有覆盖，适合想系统入门 AutoML 的同学。好了广告结束，现在进入正题。

EuroSys'26 | TokenFlow：让 LLM 流式输出真正「流」起来

原文：TokenFlow: Responsive LLM Text Streaming Serving under Request Burst via Preemptive Scheduling

用过 ChatGPT 或者任何一个 AI 对话产品的人都有同样的体验：你发出一条消息，页面上的文字一个一个「流」出来，就像打字机一样。这种「流式输出」（text streaming）是现代 LLM 交互的标配，给人一种 AI 正在「思考」的感觉，体验比等待一整段文字突然出现好得多。

但如果你仔细观察，有时候这个「流」并不稳定——刚开始等了很久才出现第一个字（TTFT 高），或者文字时快时慢、突然卡顿（TBT 不稳）。这篇来自 EuroSys 2026 的论文 TokenFlow 就是要彻底解决这个问题。

1. 流式输出的两难困境

LLM 流式服务的核心矛盾，可以用两个指标来描述：

• TTFT（Time-to-First-Token）：用户发出请求到看到第一个 token 的延迟。越低越好，这决定了用户感知到的「响应速度」。
• TBT（Time-Between-Tokens）：相邻两个 token 之间的间隔。需要足够稳定，避免出现「卡一下、蹦一下」的感觉。

问题在于，这两个目标天生矛盾。

当大量请求同时涌入（request burst），系统资源有限，服务器必须做取舍。SGLang 等主流框架采用 FCFS（先来先服务）策略：正在处理的请求继续跑，新来的请求乖乖排队。结果是——

• 正在跑的请求：生成速度远超用户阅读速度（几十 tokens/秒 vs 用户 5 tokens/秒），白白浪费算力
• 排队等待的请求：TTFT 飙升到 10 秒以上，用户以为系统挂了

如下图所示，SGLang 在 burst 负载下，P99 TTFT 轻松突破 30 秒，而生成速度却远超用户阅读需求——两头都没做好。

2. 被忽视的优化机会：Token Buffer

这里有一个关键观察，也是 TokenFlow 的核心洞察：

LLM 的生成速度远远快于用户的阅读速度。

实测数据（Figure 1）显示，用户平均阅读速度约 3-5 tokens/秒，而模型生成速度可以达到 30-100 tokens/秒，相差一个数量级。

这意味着，服务端可以提前生成一批 token 存在 output buffer 里，用户慢慢消费，系统不用死等用户。只要 buffer 不空，用户体验就是流畅的。

这个 buffer 的存在，给了系统一个「喘息空间」——可以暂停一个正在跑的请求，先处理一个新来的请求的 prefill（生成第一个 token），只要 buffer 里还有剩余 token，暂停的那个用户不会察觉任何异常。

这就是 preemptive scheduling（抢占式调度）的机会所在。

3. TokenFlow 系统设计

TokenFlow 的整体架构如下图所示，核心由两部分组成：Buffer-Aware 调度器 + Proactive KV Cache 管理器。

3.1 Buffer-Aware 抢占式调度

传统抢占式调度（如 Andes）的思路是：新请求来了就强制暂停旧请求。问题是这会导致频繁的 context switch，干扰正在运行的请求。

TokenFlow 更聪明——它引入了 Virtual Buffer Counter，实时追踪每个请求的：

• 当前 buffer 中还剩多少 token（buffer occupancy）
• 用户的 token 消费速率（通过请求头或估计得到）

基于这两个信息，调度器动态决定：什么时候该暂停哪个请求。

具体来说，调度策略分两步（如 Figure 7 所示）：

1. Soft Preemption：当某请求的 buffer 充足（用户短期内不会体验到卡顿），就把它暂时移出运行批次，腾出 GPU 资源给队列里等待的请求做 prefill
2. Hard Preemption：当 GPU 内存即将耗尽，才触发强制抢占 + KV cache 卸载到 CPU

这样的设计，让系统在"稳住老用户"和"快速响应新用户"之间找到最优平衡点。

3.2 Proactive KV Cache 管理

这是 TokenFlow 另一个关键创新。

传统系统（包括 Andes）的 KV cache 管理是被动的（reactive）：只有当 GPU 内存快满时，才开始把 KV cache 卸载（evict）到 CPU；需要恢复请求时，再从 CPU 加载（load）回 GPU。这个过程 I/O 开销极大，会导致系统从 compute-bound 变成 I/O-bound。

TokenFlow 的做法是主动的（proactive）：

Write-Through 策略：每次生成新 token，就立刻把对应的 KV cache 同步写到 CPU 内存（类似 CPU cache 的 write-through 策略）。这样，当真正需要抢占请求时，KV cache 已经在 CPU 里了，evict 操作几乎是零开销。

Chunked + Overlap 策略：KV cache 的 load/evict 操作被拆成小块（chunks），与 GPU 计算并行执行，利用 PCIe 带宽不影响 CUDA 核心的特点，做到 I/O 和计算的充分重叠。

具体实现上，TokenFlow 基于 SGLang 构建，用 CUDA streams + Python 多线程实现了完全重叠的计算与内存操作，代码约 4000 行 Python。

4. 新的评估指标：Effective Throughput + QoS

这篇论文还提出了一个重要观点：传统的 tokens/second 吞吐量指标不足以评估流式服务。

原因是：如果服务器狂生 token 但用户 buffer 已经满了，那些多余的 token 对用户没有任何价值，反而浪费了 GPU 算力。

TokenFlow 定义了 Effective Throughput：只统计用户实际消费到的 token，而不是系统生成的所有 token。这个指标综合了 TTFT、TBT 稳定性和 buffer 利用率，更贴近真实的用户体验。

同时，论文定义了 QoS（Quality of Service） 指标，综合考虑：

• 首 token 等待惩罚（TTFT 相关）
• Playback stall 惩罚（TBT 过长时的卡顿）
• Token utility（实际被消费的比例）

5. 实验效果

实验在多种硬件（RTX 4090、A6000、H200）和模型（Llama3-8B、Qwen2.5-8B/32B）上进行，基线包括 SGLang 和 Andes。

使用真实 workload（BurstGPT trace + 内部运营商 trace）的结果：

• Effective Throughput：平均提升 45.1%（A6000），37.1%（H200），最高达 82.5%
• Mean TTFT：平均降低 52.6%，P50 最高降低 88.7%

Burst 场景下（合成 workload）：

TokenFlow 在 burst 到来时明显减少了排队请求数量，同时保持更高的并发运行请求数——说明系统在压力下能更高效地利用 GPU。

消融实验（Table 2）验证了两个核心模块的贡献：单独使用 buffer-aware 调度器或 proactive KV cache 管理都有提升，但两者协同才能达到最优效果——co-design 的价值不言而喻。

6. 一点感想

TokenFlow 这篇论文最打动我的地方，是它对"token buffer"这个平时被忽视的结构的洞察。大家都知道 LLM 生成比用户读快，但把这个速度差转化成调度的优化空间，需要一个跨越层次的系统思维。

Buffer-aware 调度 + Proactive KV cache 管理，这两个设计形成了一个自洽的闭环：调度器知道什么时候可以安全抢占（因为 buffer 里还有余量），KV cache 管理器提前把数据备好让抢占近乎无代价，两者协作，最终让"流式输出"真正流起来。

这个思路对做 LLM serving 的朋友很有参考价值——不只是优化单个请求的延迟，而是从整个 request burst 的角度来看资源分配和调度策略。下一步自然的延伸问题是：如果用户的阅读速率是动态变化的（比如暂停了 App），或者有不同 SLA 的混合请求，buffer-aware 策略该如何自适应调整？这应该是后续工作有意思的方向。