大模型深度学习算子库后端高性能计算【免费下载链接】flashinferFlashInfer: Kernel Library for LLM Serving项目地址https://gitcode.com/gh_mirrors/fl/flashinfer点击查看免费下载本篇技术指南聚焦于 FlashInfer 官方内核基准测试框架的完整使用流程如何通过 CUPTICUDA Profiling Tools Interface硬件级计时获得最精确的 GPU 内核执行时间如何使用flashinfer_benchmark.py命令行工具与bench_gpu_time()Python API 两条路径完成单次、批量与自定义基准测试并对比 FlashAttention2/3、cuDNN、cuBLAS、CUTLASS、TensorRT-LLM 等多后端实现。读完本文你将掌握从环境准备、参数配置、结果解读到故障排查的完整基准测试方法论并理解计时实现背后的源码级原理。本文以仓库内基准测试教程文档 .claude/skills/benchmark-kernel/SKILL.md 为骨架结合 benchmarks/flashinfer_benchmark.py 与 flashinfer/testing/utils.py 的源码实现进行纵深展开。基准测试目标准确测量 FlashInfer 内核性能通常需要达成以下四个目标获取准确的 GPU 内核执行时间排除主机端host启动开销与同步开销只度量 GPU 上的纯内核耗时对比多个后端实现如 FlashAttention2/3、cuDNN、CUTLASS、TensorRT-LLMtrtllm-gen、cuBLAS、PrimTS、CuTe-DSL、Triton 等帮助在不同硬件/精度条件下选择最优实现产出可复现的基准结果通过随机种子、迭代次数控制与 reproducer 命令保证同一测试可在任意环境复现将结果保存为 CSV 供后续分析以结构化列输出所有指标方便横向比较与归档。上述目标与 benchmarks/README.md 中描述的设计意图一致flashinfer_benchmark.py的目标是为任何 FlashInfer 内核提供统一的基准测试框架并取代分散的独立基准脚本。两种计时方法CUPTI 与 CUDA EventsFlashInfer 基准测试框架支持两种 GPU 计时方法方法说明精度特征CUPTI首选硬件级性能剖析直接度量纯 GPU 计算时间最精确不含主机-设备间同步开销要求cupti-python 13.0.0CUDA 13CUDA Events回退标准 CUDA 事件计时精度良好但包含少量主机同步开销CUDA 任意版本可用框架会自动优先使用 CUPTI若 CUPTI 不可用则自动回退到 CUDA Events。从 flashinfer_benchmark.py 的源码可以看出--use_cupti参数已标记为deprecatedCUPTI is now enabled by defaultCUPTI 现为默认行为且当传入--use_cuda_events时args.use_cupti not args.use_cuda_events会强制切换到 CUDA Events。关于 Autotuner 计时与基准框架相互独立需要特别区分AutoTuner内部对每个 tactic 的计时与上述基准框架是两套独立机制。Autotuner 的计时选择器由环境变量FLASHINFER_AUTOTUNE_TIMER控制详见 CLAUDE.mdglobaltimer强制使用 GPU%globaltimer寄存器计时cuda_event强制使用cudaEvent计时未设置/auto仅在检测到机密计算Confidential ComputingCC环境时使用%globaltimer。为什么 CC 环境下要避开cudaEventElapsedTime因为在机密计算环境下cudaEventElapsedTime可能返回负值这会直接破坏 tactic 排序的可靠性而 globaltimer 路径可以规避该问题。CC 自动检测可用FLASHINFER_CONFIDENTIAL_COMPUTE0/1手动覆盖相关实现位于 flashinfer/utils.py。环境安装安装 CUPTI推荐用于最精确测量pip install -U cupti-python硬性要求CUDA 13即 CUPTI 版本 13。这一要求并非文档空谈——在 flashinfer/testing/utils.py 中bench_gpu_time_with_cupti会显式检查cupti-python的安装版本若主版本号小于 13 会抛出异常并提示CUPTI needs to be 13.0.0. Try pip install -U cupti-python.。不安装 CUPTI 的情况如果跳过 CUPTI 安装框架将打印警告CUPTI is not installed. Falling back to CUDA events.自动改用 CUDA Events 计时仍然提供良好的基准结果只是对极短内核的精度略有下降详见下文故障排查。结论没有 CUPTI 也能正常跑基准测试框架会自动兜底。方法一使用 flashinfer_benchmark.py推荐这是官方推荐的基准测试入口一条命令即可完成内核选择、后端对比、正确性校验与 CSV 落盘。源码入口位于 benchmarks/flashinfer_benchmark.py其执行流程为解析共享参数 → 依据--routine惰性加载对应 routine 的参数解析器与测试逻辑如routines.attention、routines.gemm、routines.moe等→ 运行测试 → 按需写 CSV。第 1 步选择测试 Routine可用 routine 覆盖三大类核心内核完整清单见 benchmarks/README.mdAttention注意力BatchDecodeWithPagedKVCacheWrapper、BatchPrefillWithPagedKVCacheWrapper、BatchPrefillWithRaggedKVCacheWrapper、BatchMLAPagedAttentionWrapper、trtllm_batch_decode_sparse_mla_dsv4DeepSeek-V4 稀疏 MLAGEMM矩阵乘bmm_fp8、gemm_fp8_nt_groupwise、group_gemm_fp8_nt_groupwise、mm_fp4等MOE混合专家trtllm_fp4_block_scale_moe、trtllm_fp8_block_scale_moe、trtllm_fp8_per_tensor_scale_moe、cutlass_fused_moe、unified_moe等。此外框架还支持 Normrmsnorm、fused_add_rmsnorm、量化nvfp4_quantize、mxfp8_quantize、采样sampling_from_probs、top_k_top_p_sampling_from_logits、RoPE、Mambaselective_state_update、GDN、KDA 等类别。routine 名即--routine的合法取值非法取值会被 argparse 直接拒绝。第 2 步运行单个基准测试示例一Benchmark decode attention解码注意力# CUPTI 已安装时会被自动使用 python benchmarks/flashinfer_benchmark.py \ --routine BatchDecodeWithPagedKVCacheWrapper \ --backends fa2 fa2_tc cudnn \ --page_size 16 \ --batch_size 32 \ --s_qo 1 \ --s_kv 2048 \ --num_qo_heads 32 \ --num_kv_heads 8 \ --head_dim_qk 128 \ --head_dim_vo 128 \ --q_dtype bfloat16 \ --kv_dtype bfloat16 \ --num_iters 30 \ --dry_run_iters 5 \ --refcheck \ -vv参数含义速览--s_qo 1表示单 token 解码--s_kv 2048表示每个序列的 KV 缓存长度--num_qo_heads 32 / --num_kv_heads 8对应 GQAGrouped Query Attention配置--num_iters 30与--dry_run_iters 5分别控制测量迭代与预热迭代--refcheck开启参考正确性校验。示例二Benchmark FP8 GEMMpython benchmarks/flashinfer_benchmark.py \ --routine bmm_fp8 \ --backends cudnn cublas cutlass \ --batch_size 256 \ --m 1 \ --n 1024 \ --k 7168 \ --input_dtype fp8_e4m3 \ --mat2_dtype fp8_e4m3 \ --out_dtype bfloat16 \ --refcheck \ -vv \ --generate_repro_command计时行为总结✅ CUPTI 已安装 → 使用 CUPTI最精确⚠️ CUPTI 未安装 → 自动回退 CUDA Events 并打印警告 强制使用 CUDA Events → 追加--use_cuda_events参数额外说明--no_cuda_graph可关闭默认的 CUDA Graph 计时路径框架默认会在部分 routine 中通过 CUDA Graph 摊薄内核启动开销--enable_pdl可为支持 Programmatic Dependent Launch 的 routine 开启 PDL。第 3 步理解输出结果运行完毕后终端会输出类似如下的 PERF 行[INFO] FlashInfer version: 0.6.0 [VVERBOSE] gpu_name NVIDIA_H100_PCIe [PERF] fa2 :: median time 0.145 ms; std 0.002 ms; achieved tflops 125.3 TFLOPs/sec; achieved tb_per_sec 1.87 TB/sec [PERF] fa2_tc :: median time 0.138 ms; std 0.001 ms; achieved tflops 131.5 TFLOPs/sec; achieved tb_per_sec 1.96 TB/sec [PERF] cudnn :: median time 0.142 ms; std 0.001 ms; achieved tflops 127.8 TFLOPs/sec; achieved tb_per_sec 1.91 TB/sec关键指标解读指标含义评价方向median time内核执行时间中位数毫秒越低越好std标准差毫秒越低越稳定achieved tflops有效 TFLOPS 吞吐每秒万亿次浮点运算越高越好achieved tb_per_sec有效内存带宽利用率TB/秒越高越好这些指标并非凭空而来。在 flashinfer/testing/utils.py 中attention_flops/attention_flops_with_actual_seq_lens依据 batch、序列长度、头数与 head dim 计算注意力层的理论 FLOPs因果掩码会使 FLOPs 减半attention_tflops_per_sec用FLOPs / time / 1e9换算 TFLOPSattention_tb_per_sec则统计 Q/K/V/O 四部分张量的总字节数q_bytes k_bytes v_bytes o_bytes换算成 TB/秒routine 测试逻辑会计算median_time np.median(times)、std_time np.std(times)等聚合结果。对于非注意力内核GEMM、MoE 等同样存在各自的 FLOPS/带宽换算逻辑最终统一写入 CSV 列。-vvvery verbose会额外打印张量形状、dtype、实际序列长度分布等信息便于核实输入是否符合预期。第 4 步运行批量基准测试创建测试列表文件my_benchmarks.txt每行一条完整的命令行参数以--routine开头#开头的行为注释空行会被跳过--routine BatchDecodeWithPagedKVCacheWrapper --backends fa2 cudnn --page_size 16 --batch_size 32 --s_kv 2048 --num_qo_heads 32 --num_kv_heads 8 --head_dim_qk 128 --head_dim_vo 128 --routine BatchDecodeWithPagedKVCacheWrapper --backends fa2 cudnn --page_size 16 --batch_size 64 --s_kv 4096 --num_qo_heads 32 --num_kv_heads 8 --head_dim_qk 128 --head_dim_vo 128 --routine bmm_fp8 --backends cudnn cutlass --batch_size 256 --m 1 --n 1024 --k 7168 --input_dtype fp8_e4m3 --mat2_dtype fp8_e4m3 --out_dtype bfloat16运行全部测试python benchmarks/flashinfer_benchmark.py \ --testlist my_benchmarks.txt \ --output_path results.csv \ --generate_repro_command \ --refcheck结果将保存到results.csv包含所有指标与可复现命令。从源码看testlist 模式benchmarks/flashinfer_benchmark.py会逐行用shlex.split解析参数并顺序执行单条失败不会中断整个批次CSV 首行会写入full_output_columns表头每条测试结果按列回填——某个 routine 未设置的列会从 args 中补齐或留空benchmarks/routines/flashinfer_benchmark_utils.py 中定义了完整的output_column_dict列集合。仓库内已内置一份覆盖面极广的官方示例列表 benchmarks/samples/sample_testlist.txt包含 Llama-3.1-70B decode/prefill、DeepSeek-R1 MLA、FP8/FP4 GEMM、各类 MoE含 DeepSeek-V3 风格路由、RMSNorm、量化、采样、RoPE、Mamba、GDN 等真实模型配置可直接作为自建测试列表的模板。第 5 步常用参数速查以下参数均在 benchmarks/flashinfer_benchmark.py 的parse_args中有对应实现Flag描述默认值--num_iters-n测量迭代次数30--dry_run_iters-d预热不计时迭代次数5--refcheck校验输出正确性False--allow_output_mismatch后端输出不一致时继续运行False--use_cuda_events强制 CUDA Events跳过 CUPTIFalse--no_cuda_graph禁用 CUDA Graph 计时False-vv极详细输出打印输入形状、dtype、张量统计---generate_repro_command打印可复现命令并写入 CSVFalse--case_tag为 CSV 输出添加测试用例标签如模型名None--random_seed随机种子保证可复现42--autotune_cacheautotuner 配置缓存 JSON 路径None--enable_pdl开启 Programmatic Dependent LaunchFalse--output_path结果 CSV 输出路径None不写文件--routine-R必选指定测试内核类别必填注意--use_cupti在源码中已标记为 deprecatedCUPTI 默认启用未来版本将移除请勿在新脚本中使用。方法二使用 Python APIbench_gpu_time()对于需要嵌入自己代码、针对自定义内核或自定义调用方式的基准测试场景推荐使用flashinfer.testing模块中统一封装的bench_gpu_time()。该函数在 flashinfer/testing/utils.py 中实现是单一入口、按配置分发的推荐计时接口。第 1 步编写基准测试脚本需要说明的是bench_gpu_time()的返回值是逐次迭代耗时列表单位毫秒中位数与标准差由调用方自行用numpy聚合参数名以源码签名为准input_args/input_kwargs/dry_run_iters/repeat_iters/enable_cuptiimport numpy as np import torch from flashinfer.testing import bench_gpu_time # 自定义内核包装函数 def my_kernel_wrapper(q, k, v): # 你的内核调用逻辑 return output # 构造测试输入 device torch.device(cuda) q torch.randn(32, 8, 128, dtypetorch.bfloat16, devicedevice) k torch.randn(2048, 8, 128, dtypetorch.bfloat16, devicedevice) v torch.randn(2048, 8, 128, dtypetorch.bfloat16, devicedevice) # 基准测试CUPTI 优先CUPTI 不可用时自动回退 CUDA Events times bench_gpu_time( my_kernel_wrapper, input_args(q, k, v), enable_cuptiTrue, # 优先 CUPTI回退 CUDA Events dry_run_iters5, # 预热迭代 repeat_iters30, # 测量迭代 ) median_time float(np.median(times)) std_time float(np.std(times)) print(fKernel time: {median_time:.3f} ms ± {std_time:.3f} ms) # 已知算子数量时计算 FLOPS flops ... # 你的 FLOP 总数 tflops (flops / 1e12) / (median_time / 1000) print(fAchieved: {tflops:.2f} TFLOPS/sec)注意若 CUPTI 未安装会看到警告且函数自动改用 CUDA Events。从源码看bench_gpu_time的分发优先级为enable_cuptiTrue→ CUPTI 路径否则use_cuda_graphTrue→ CUDA Graph 路径最后才是 CUDA Events 路径。三种实现都会在正式测量前先跑 5 次预估内核耗时并依据dry_run_time_ms默认 25ms与repeat_time_ms默认 100ms目标时长自动推导迭代次数——这保证了慢内核不会跑过多迭代、快内核不会迭代不足。第 2 步运行与输出解读python my_benchmark.py装有 CUPTI 的输出Kernel time: 0.145 ms ± 0.002 ms Achieved: 125.3 TFLOPS/sec未装 CUPTI 的输出自动回退[WARNING] CUPTI is not installed. Try pip install -U cupti-python. Falling back to CUDA events. Kernel time: 0.147 ms ± 0.003 ms Achieved: 124.1 TFLOPS/sec第 3 步高级选项冷 L2 缓存基准测试可选cold_l2_cacheTrue默认开启会在每次迭代前刷新 L2 缓存从而测量冷缓存下的真实性能。对于 CUPTI 与 CUDA Events 路径实现方式是每次迭代前对一个 2 倍 L2 大小的 int8 buffer 做zero_()清零以驱逐缓存对于 CUDA Graph 路径则自动改用**旋转缓冲区rotating buffers**机制——复制输入张量并轮换使用缓冲区份数由calculate_rotation_count依据 L2 大小与张量字节数自动计算见 flashinfer/testing/utils.py。对计算密集型内核可关闭冷缓存以测量热缓存性能。# 冷 L2 缓存基准默认即开启 times bench_gpu_time( my_kernel, input_args(x, y), enable_cuptiTrue, # CUPTI 不可用时自动回退 CUDA Events cold_l2_cacheTrue, # 自动刷新 L2 / 旋转缓冲区 repeat_iters30, ) # 强制 CUDA Events即使装了 CUPTI 也跳过 times bench_gpu_time( my_kernel, input_args(x, y), enable_cuptiFalse, # 显式使用 CUDA Events repeat_iters30, )其他可用参数还包括use_cuda_graphTrueCUDA Graph 摊薄启动开销、num_iters_within_graph单图内内核调用次数默认 10、sleep_after_run每次迭代后短暂休眠以缓解热降频、aggregate_op多卡场景下跨 rank 聚合方式默认max。旧的l2_flush/l2_flush_size_mb/l2_flush_device参数已废弃请统一使用cold_l2_cache。源码级原理CUPTI 计时到底怎么工作如果希望彻底理解为什么 CUPTI 更准可以阅读 flashinfer/testing/utils.py 中bench_gpu_time_with_cupti的实现其核心流程是活动跟踪使能通过cupti.activity_enable打开CONCURRENT_KERNEL、MEMCPY、MEMSET、RUNTIME、DRIVER五类活动跟踪回调注册注册 buffer 请求与 buffer 完成两个回调内核活动含名字、start/end 时间戳、correlation_id与运行时/驱动启动记录launch 记录被分别收集逐次迭代计时每轮迭代记录 CPU 侧 start/end 时间戳区间关联与跨度计算利用correlation_id将 launch 记录与内核活动关联再取区间内所有内核活动的min_start到max_end时间跨度纳秒转毫秒作为该次迭代的内核时间并校验每轮迭代的内核名集合一致性结果聚合通过aggregate_gpu_time_across_ranks支持多 rank 场景下按max或其他算子聚合。之所以 CUPTI 比 CUDA Events 更精确是因为它直接读取内核在 GPU 上的硬件时间戳start/end天然排除了 CPU 侧启动排队、事件记录与同步带来的开销而 CUDA Events 的elapsed_time仍包含内核启动到事件完成之间的部分主机侧开销对 5–50us 级别的极快内核影响相对明显对长内核则趋近于可忽略。故障排查CUPTI 警告信息警告CUPTI is not installed. Falling back to CUDA events.含义CUPTI 不可用框架改用 CUDA Events 计时。影响对极快内核5–50us因同步开销精度略降但对长时间运行的内核影响可忽略。解决方案可选安装 CUPTI 以获得最佳精度pip install -U cupti-python安装失败时请检查CUDA 版本 13与 CUDA 版本匹配的cupti-python版本源码强制要求主版本 13见 flashinfer/testing/utils.py。不装 CUPTI 也能跑基准测试——框架会自动处理回退。结果不一致标准差偏大或结果波动问题标准差大或多次运行结果差异明显。解决思路增加预热迭代--dry_run_iters 10增加测量迭代提升统计显著性--num_iters 50开启冷 L2 缓存Python API 中默认已开启bench_gpu_time(..., cold_l2_cacheTrue)关闭 GPU 自动提频高级手段需 root 权限sudo nvidia-smi -lgc base_clock参考校验失败Reference Check Failures报错[ERROR] Output mismatch between backends含义不同后端计算结果不一致。解决思路允许不一致并继续--allow_output_mismatch检查数值精度差异部分后端内部使用不同精度如 FP32 累加 vs FP16 累加深挖差异来源-vv # 极详细模式会打印张量统计信息后端不支持报错[WARNING] fa3 for routine ... is not supported on compute capability X.X含义当前 GPU 计算能力SM 架构不支持该后端内核例如 fa3 在特定架构上不可用。解决思路查阅 benchmarks/README.md 中的后端支持矩阵或将不支持的 backend 从--backends列表中移除。框架本身也会在运行时自动跳过不支持的组合如unified_moe会在运行时过滤不支持的后端并继续。最佳实践清单安装 CUPTI 以获得最佳精度但并非必需pip install -U cupti-python使用参考校验验证正确性--refcheck使用详细模式核对输入形状与 dtype-vv生成可复现命令以便分享结果--generate_repro_command多次迭代保证统计显著性--num_iters 30 --dry_run_iters 5保存 CSV 便于后续分析--output_path results.csv对比多后端以找到最优实现--backends fa2 fa3 cudnn cutlass快速示例汇总以下示例覆盖了 LLM 推理中最常被基准的几类内核均可在安装了依赖的 CUDA 环境下直接运行。Decode AttentionH100 示例python benchmarks/flashinfer_benchmark.py \ --routine BatchDecodeWithPagedKVCacheWrapper \ --backends fa2 fa2_tc cudnn trtllm-gen \ --page_size 16 --batch_size 128 --s_kv 8192 \ --num_qo_heads 64 --num_kv_heads 8 \ --head_dim_qk 128 --head_dim_vo 128 \ --refcheck -vv --generate_repro_commandPrefill Attention多头python benchmarks/flashinfer_benchmark.py \ --routine BatchPrefillWithRaggedKVCacheWrapper \ --backends fa2 fa3 cudnn cutlass \ --batch_size 16 --s_qo 1024 --s_kv 1024 \ --num_qo_heads 128 --num_kv_heads 128 \ --head_dim_qk 192 --head_dim_vo 128 \ --causal --random_actual_seq_len \ --q_dtype bfloat16 --kv_dtype bfloat16 \ --refcheck -vv说明--random_actual_seq_len会为 batch 内每个序列随机化实际序列长度模拟真实推理中的变长请求此时 FLOPs 与带宽指标会基于实际序列长度精确计算。FP8 GEMM批量化python benchmarks/flashinfer_benchmark.py \ --routine bmm_fp8 \ --backends cudnn cublas cutlass \ --batch_size 256 --m 1 --n 1024 --k 7168 \ --input_dtype fp8_e4m3 --mat2_dtype fp8_e4m3 \ --out_dtype bfloat16 \ --refcheck -vvMOEDeepSeek 风格路由python benchmarks/flashinfer_benchmark.py \ --routine trtllm_fp8_block_scale_moe \ --backends trtllm \ --num_tokens 1024 --hidden_size 5120 \ --intermediate_size 13824 --num_experts 256 \ --top_k 8 --n_group 8 --topk_group 1 \ --routing_method deepseek_v3 \ --routed_scaling_factor 2.5 \ --use_routing_bias \ -vv这些参数分别对应--num_tokens输入 token 数、--hidden_size隐藏维度、--intermediate_sizeFFN 中间维度、--num_experts专家数、--top_k每 token 激活专家数、--n_group/--topk_groupDeepSeek-V3 分组路由配置、--routing_method deepseek_v3路由算法、--routed_scaling_factor 2.5路由缩放因子与--use_routing_bias路由偏置开关。总结CUPTI vs CUDA Events方面CUPTI首选CUDA Events回退精度最高硬件级测量纯 GPU 时间良好存在少量同步开销安装方式pip install cupti-pythonCUDA 自带版本要求CUDA 13任意 CUDA 版本回退机制无若 CUPTI 不可用自动回退适用场景只要可用就优先使用CUPTI 无法安装时使用最终建议安装 CUPTI 可获得最精确结果但基准测试框架在缺少 CUPTI 时也能正常工作。后续进阶方向深度剖析内核用nsysNsight Systems或ncuNsight Compute做更细粒度的性能剖析调试性能问题设置FLASHINFER_LOGLEVEL3查看详细运行日志与基线对比使用参考实现如 Triton 实现的 reference backend作为正确性与性能基线基于剖析结果优化内核结合 tflops/tb_per_sec 判断内核是计算密集型还是带宽密集型再针对性优化。相关文档benchmarks/README.mdflashinfer_benchmark.py的完整参数与后端支持文档benchmarks/samples/sample_testlist.txt官方批量基准测试示例含真实模型配置flashinfer/testing/utils.pybench_gpu_time/bench_gpu_time_with_cupti/ CUDA Graph 计时与冷 L2 机制源码benchmarks/flashinfer_benchmark.py命令行基准框架入口与参数解析源码CLAUDE.mdAutotuner 计时环境变量FLASHINFER_AUTOTUNE_TIMER、FLASHINFER_CONFIDENTIAL_COMPUTE等完整环境变量参考。赞分享大模型深度学习算子库后端高性能计算【免费下载链接】flashinferFlashInfer: Kernel Library for LLM Serving项目地址https://gitcode.com/gh_mirrors/fl/flashinfer点击查看免费下载相关推荐Falco内核模块性能测试基准与对比Falco内核模块性能测试基准与对比 你是否在Kubernetes集群中部署Falco时遇到过性能瓶颈作为云原生环境中最流行的运行时安全工具Falco的内云原生运行时防护IDS应用安全Aria2App vs 传统下载工具为什么它是移动设备的最佳选择Aria2App vs 传统下载工具为什么它是移动设备的最佳选择 Aria2App是一款基于aria2的高级下载管理器不仅支持本地下载还能轻松管理远程服务AppFlowy-Cloud性能基准基准测试与性能对比AppFlowy Cloud性能基准基准测试与性能对比 概述 AppFlowy Cloud作为开源Notion替代方案的核心后端服务其性能表现直接影响用户体后端云原生上一篇终极指南7个维度深度解析gumbo-parser HTML5解析器代码质量下一篇终极指南三步配置法永久解锁IDM下载管理器完整功能创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考