Lambda 冷启动:Init 时长 vs 模型调用时长的真相
通过 CloudWatch REPORT 日志区分 Init Duration 和 Handler Duration,证明模型 API 调用才是冷路径性能瓶颈,而非初始化。
完整中文译文
一次耗时四秒的 Lambda 调用模型 provider,在诊断时几乎每次都会被判定为冷启动,但通常并非如此。这两项耗时在你的日志里已经是分开计量的,其中一项通常比另一项大两个数量级。
两个独立的计时器
每次 Lambda 调用都会向 CloudWatch Logs 写入一条 REPORT 行,在冷启动调用中它会携带一个额外的字段:
REPORT RequestId: 8f4d... Duration: 3412.55 ms Billed Duration: 3610 ms
Memory Size: 1024 MB Max Memory Used: 118 MB Init Duration: 196.44 ms
Init Duration 是执行环境的创建和你模块级代码的运行时间。Duration 则是你的 handler。两者是累加关系,但并非同一计时器,而且只有前者才是冷启动。在上面这行示例中,init 在 3.6 秒请求中占 196ms,约 5%。把这一点写出来是因为你自己的 REPORT 行已经包含了对应的数据。在优化之前,先过滤出包含 Init Duration 的日志行,对比两列数据。
另一个值得掌握的指标是实际需要为此付账的频率。AWS 在 2025 年 4 月的 Compute Blog 文章(宣布 INIT 将开始计费)中披露,在生产环境的 Lambda 工作负载中"INIT(冷启动)通常发生在不到 1% 的调用中"。
这 1% 是 AWS 的数据,发表于 2025 年 4 月 29 日,文章标题为《AWS Lambda standardizes billing for INIT Phase》,描述的是跨多个工作负载的聚合情况,而非对你的承诺。每小时调用一次的函数每次都要为此付账。同篇 文章还记录了从 2025 年 8 月 1 日起,使用 ZIP 打包托管运行时的按需函数的 INIT 阶段将纳入计费时长——自定义运行时、预留并发和容器镜像此前已经计费。
init 阶段实际做了什么
init 阶段负责下载代码、启动运行时,以及运行 handler 之外的所有内容。AWS 文档说明其限制为 10 秒;超过此限制后 Lambda 会在首次调用时重试 init,此时计入函数超时而非 init 超时。
对于一个职责是调用模型 API 的函数而言,init 阶段要做的事情很少:解释器启动、SDK 导入,以及客户端构造。其中有两点值得特别了解。构造 SDK 客户端时会解析凭证和端点配置,所以在模块级别做这件事可以做到每个环境付一次成本,而非每次请求都付一次——这是标准建议,而且正确。另外,导入一个大型 SDK 包往往是 init 中最大的一行开销,这就是为什么只导入特定的客户端而非整个 SDK 比你想象的更重要。
这些操作没有任何一项会随工作负载增长。init 是每个环境大致恒定的成本,只付一次,然后分摊到该环境处理的每个请求上。
为什么模型调用才是长尾
模型调用的耗时随答案长度增长。生成是顺序的:一次前向传播产生一个 token,所以一次响应是一个循环,其长度等于输出 token 数。总时间大约是 ttft + (output_tokens / tokens_per_second),这与自回归生成的一般推导公式相同。
不用凭空假设数字,来为这个结构赋值。一个 400 token 的答案,以每秒 40 token 的速度生成需要 10 秒;以每秒 100 token 的速度生成需要 4 秒。在这两种情况下,200ms 的 init 都不重要,而且任何合理的 init 数值都不重要——AWS 将整个 init 阶段上限设为 10 秒,而生成项没有上限(不超过函数超时时长)。这就是机制所在:init 有界且恒定,生成无界且与输出长度成正比。
由此引出三个结论,而这正是这件事具有操作性意义而非学术意义的原因:
超时由模型决定,而非运行时。 Lambda 的最大函数超时是 900 秒,而真正值得关心的是在此之前很久发生的事:boto3 的默认 read_timeout 是 60 秒,所以一次长生成可能在一个还剩几分钟时间的函数内部失败。要主动设置 read_timeout,并将函数超时设置在它之上,否则你会得到一个 task-timed-out 而没有任何有用的错误信息。
重试会放大那个大数字。 SDK 的默认重试模式会重新发送一个已经消耗了你大部分预算的请求。对于一次成功路径耗时数秒的调用,重试意味着一次完整的重新生成。
并发由耗时驱动。 并发执行数等于每秒请求数乘以平均耗时,所以在相同速率下,一个持有 10 秒模型调用的函数需要的并发数是一个持有 1 秒调用的函数的十倍。这就是模型集成如何在悄无声息中耗尽一个账户默认的 1000 并发执行数。
预留并发解决不了什么
预留并发(Provisioned Concurrency)预初始化执行环境,使 init 阶段在请求到达之前就已完成。它确实消除了 init 的开销——而这也它能消除的全部。由于 AWS 将整个 init 阶段上限设为 10 秒,而对生成没有任何等效的限制,因此对于工作负载是单次模型调用的函数,预留并发的最佳效果的上限就是你自己的 Init Duration 字段所报告的数值,代价是无论是否有人调用都要持续为这些环境付费。
当 init 确实很大时,这是一把趁手的工具:重型依赖树、JVM、启动时加载到内存的模型、带大型包的 VPC 附挂函数。对于调用 HTTP API 的轻量函数,它近乎是一种浪费。判断方法看 Init Duration 列,而不是凭直觉。AI 工作负载用预留并发要算得过来才行。
增加内存是一个类似的故事,但有一个转折。Lambda 按内存比例分配 CPU,AWS 文档指出 1,769 MB 是函数获得等效一个 vCPU 的临界点,所以更多内存确实能让 init 和任何本地工作更快。它对等待 socket 的时间完全不起作用,而那才是模型调用的大部分耗时。AWS 同样文档记录了每个执行环境 625 Mbps 的网络带宽——对 token 流来说绰绰有余,并非人们以为的瓶颈。
时间到底花在哪里
如果目标是更快的用户可见响应,杠杆在生成项上:
流式输出。 它不会让生成更快,但用户可以在首 token 时间(time-to-first-token)开始阅读,而非等到全部生成结束。对于同步 Lambda,这意味着响应流式 function URL,因为缓冲响应无论模型做什么都无法流式输出。注意 AWS 文档记录流式响应上限为 200 MB,首 6 MB 带宽不限,之后 2 MBps——对文本不是问题,但对其他内容是真实的限制。
减少输出 token 数。 这是唯一直接减少主项的杠杆,而且通常只需要改 prompt。
缓存前缀。 Prompt 缓存减少了长共享前缀的首 token 时间,这是延迟的另一半,也是随系统 prompt 增长的那一半。
别为等待买单。 如果没有人在盯着,请求根本不需要是同步的。把它移到队列后面,或转为批处理任务,才是真正解决问题而非优化它。