汤不热吧
SGLang vs vLLM：大模型推理引擎架构设计与性能深度对比
引言：推理引擎之争的底层逻辑 随着大语言模型（LLM）在各行各业的落地加速，模型推理效率已成为制约规模化部署的核心瓶颈。在众多开源推理框架中，vLLM 和 SGLang 是最受关注的两个项目。vLLM 由 UC Berkeley 的 Sky...
ai-infra
统一内存架构（UMA）：Apple M3 芯片的统一内存对大模型端侧推理的启示
随着大模型的体积不断增长，如何在资源受限的端侧设备上高效运行这些模型成为了关键挑战。Apple M系列芯片，特别是最新的M3系列，通过其独特的统一内存架构（Unified Memory Architecture, UMA），为端侧大模型推理...
为什么大模型推理的 Prefill 阶段是算力受限，而 Decode 阶段却是访存受限？
在大型语言模型（LLM）的推理过程中，通常分为两个关键阶段：Prefill（预填充/处理Prompt）阶段和Decode（解码/自回归生成）阶段。这两个阶段对硬件资源的需求截然不同，理解它们的瓶颈对于优化推理性能至关重要。 1. 概念定义：...
华为昇腾适配经验：在没有 CUDA 的日子里，如何利用 CANN 调优模型性能
在脱离了熟悉的 CUDA 生态后，针对华为昇腾（Ascend）硬件进行深度学习模型推理性能优化，是许多开发者需要面临的挑战。昇腾平台的核心是 CANN（Compute Architecture for Neural Networks）工具链...
请解释 NCCL 中的通信环（Ring）和树（Tree）算法分别在什么规模下最优？
在现代深度学习分布式训练中，NVIDIA Collective Communications Library (NCCL) 是实现高性能 GPU 间通信的核心工具。NCCL 提供了多种通信算法来优化 All-Reduce、Broadcast...
谈谈你对 Megatron-LM 架构的理解，它在 3D 并行中是如何分配角色的？
Megatron-LM是由NVIDIA开发的一套用于训练超大规模语言模型的框架。随着模型参数量突破万亿级别，任何单一的并行技术都难以高效地在有限的硬件资源上完成训练。Megatron-LM通过巧妙地结合三种主要的并行策略——张量并行（Ten...
大模型推理生产环境GPU可观测性实战：DCGM + Prometheus + Grafana 完整监控体系搭建指南
为什么大模型生产环境需要专业的GPU监控？ 在AI基础设施（AI Infra）的日常运维中，GPU监控与可观测性往往是最容易被忽视的一环。很多团队在部署大模型推理服务时，只关注模型的推理延迟和吞吐量，却忽略了GPU本身的健康状态、功耗曲线、...
大模型推理中KV Cache量化技术深度解析：从理论基础到INT4/INT8的工程实践
为什么需要量化KV Cache？ 在大语言模型（LLM）的推理过程中，KV Cache（Key-Value Cache）是一个绕不开的核心组件。当模型以自回归方式逐Token生成文本时，对于Decoder-only架构的Transforme...
模拟场景：集群里有一张 GPU 出现了 ECC 报错（可修正错误），你该立刻下线它还是继续坚持到训练结束？
如何处理 GPU 的 ECC 可修正错误：立即下线还是坚持到训练结束？ 背景 在深度学习集群中，GPU 显存错误（ECC Error）是运维和算法工程师经常面临的难题。当系统报出“可修正错误”（Correctable Error）时，你的训...
PD 分离部署（Prefill/Decode Disaggregation）深度解析：为什么大模型推理架构正从单体走向分体？
从单体到分体：为什么大模型推理正在走向 Prefill/Decode 分离部署？ 2024 年下半年以来，大模型推理架构迎来了一个新的趋势——PD 分离部署（Prefill/Decode Disaggregation）。简单来说，就是将传统...