關於 LLM 推論的 CPU-加速器資料協調（data orchestration），考慮一個為 LLM 推論設計的系統，規格如下：

硬體配置：

• CPU：128 GB DDR5 記憶體，50 GB/s 記憶體頻寬，2 TFLOPS INT8 throughput
• NPU（Neural Processing Unit）：8 GB on-chip SRAM，1 TB/s 內部頻寬，400 TFLOPS INT8 throughput
• 互連（Interconnect）：PCIe 5.0 x16，50 GB/s 有效傳輸頻寬

模型特性（700億參數 LLM，INT8 量化）：

• 總模型權重：70 GB
• Transformer layer 數：80
• 每層權重大小：875 MB
• 每層計算運算量：1400億次 INT8 運算

由於 NPU 提供比 CPU 高 200 倍的計算輸出量，單獨在 CPU 上執行推論會慢到不切實際（每個 token 35 秒，相較 NPU 上的 175 毫秒）。系統必須用 NPU 執行所有矩陣運算。然而，NPU 的 8 GB SRAM 無法容納整個 70 GB 的模型，因此推論期間必須從 CPU 記憶體串流傳輸 layer 權重。

下列程式碼產生單一個輸出 token：

void generate_one_token() {
    // 依序處理全部80層
    for (int L = 0; L < 80; L++) {
        // 傳輸：CPU 記憶體 -> NPU SRAM（每層875 MB）
        pcie_transfer_to_npu(weight[L], 875_MB);
        // 計算：1400億次 INT8 運算，400 TFLOPS
        npu_compute_layer(L);
    }
    sample_output_token();
}

每層計算出的延遲：

• PCIe 傳輸延遲：875 MB ÷ 50 GB/s = 17.5 ms
• NPU 計算延遲：140×10⁹ ops ÷ 400×10¹² ops/s = 0.35 ms

請選出正確的敘述。