汤不热吧
大模型推理显存占用拆解与 HBM 带宽瓶颈诊断实战：从 VRAM 精确测算到 Roofline 模型优化的完整指南
在大模型推理工程实践中，很多人把注意力放在算力（TFLOPS）上，却忽略了另一个同等关键、甚至往往是真正瓶颈的资源——显存带宽。Llama 3 70B 这类模型在 Decode 阶段每生成一个 token 就要读取全部权重，70B 参数 ×...
ai-infra
PD分离架构（Prefill-Decode Disaggregation）实战详解：原理拆解、vLLM/SGLang部署与多卡推理性能调优全攻略
为什么大模型推理需要 PD 分离架构 在大模型推理服务化的实际工程中，我们经常会遇到一个让人头疼的现象：当一个长上下文请求（比如 8K tokens 的 Prefill）和一批短上下文的 Decode 请求混在一起时，整体吞吐和延迟都会急剧...
国产GPU大模型推理横向评测实战：海光DCU、摩尔线程、华为昇腾与寒武纪四大平台软件栈对比、推理性能基准与CUDA迁移成本全维度分析
在大模型推理国产化替代的浪潮中，海光DCU、摩尔线程、华为昇腾和寒武纪是四条最常被提及的技术路线。然而，很多团队在选型时只关注硬件算力参数（TFLOPS、显存容量），却忽略了决定实际推理性能的软件栈成熟度和CUDA迁移成本。本文将从软件生态...
NVIDIA Nsight Systems 实战详解：大模型推理 GPU 性能瓶颈诊断与 TFLOPS 算力计算全攻略
在大模型推理部署中，GPU 利用率不等于性能最优。很多团队部署完 vLLM 或 TensorRT-LLM 后，发现吞吐量远低于预期，却不知道瓶颈到底在显存带宽、计算单元、还是数据传输。NVIDIA Nsight Systems（简称 Nsi...
Speculative Decoding（投机解码）深度解析：大模型推理加速2-3倍的原理、算法实现与vLLM实战配置指南
在大模型推理部署中，Decode阶段的自回归特性决定了每个token生成都需要一次完整的前向传播，这导致推理吞吐量被GPU计算效率严重制约。即使使用了PagedAttention和Continuous Batching等优化技术，Decod...
FlashDecoding 与 FlashInfer 深度解析：大模型推理 Decode 阶段 Attention 并行加速从原理到实战
在大模型推理的整个生命周期中，Decode 阶段往往是性能瓶颈所在。Prefill 阶段虽然计算量大，但可以通过大规模矩阵乘法充分利用 GPU 的并行能力；而 Decode 阶段逐 token 生成，每次只处理一个 query token ...
摩尔线程MUSA编程实战详解：CUDA到MUSA迁移、musify工具链与国产GPU推理部署全攻略
在国产GPU替代的大背景下，摩尔线程（Moore Threads）作为国内GPU厂商之一，其MUSA（Moore Threads Unified System Architecture）软件栈正在被越来越多的AI团队纳入技术选型。与华为昇腾...
大模型推理中的流水线并行（Pipeline Parallelism）深度解析：从 PP 切分原理到 vLLM 多卡流水线部署与气泡优化实战
当大模型参数量突破单卡显存上限时，工程师首先想到的是张量并行（Tensor Parallelism, TP）——把每一层的权重切分到多张卡上，所有卡同时计算同一层的不同部分。但 TP 有一个致命瓶颈：每层都需要 All-Reduce 通信，...
海光DCU开发实战全攻略：从CUDA代码迁移到ROCm/DTK适配的完整踩坑记录
在国产化替代的大背景下，海光DCU（Deep Computing Unit）已成为国内AI推理和训练场景中重要的GPU替代方案。海光DCU基于AMD GPU架构，使用ROCm作为底层软件栈，并在此基础上封装了DTK（DeepLook Too...
PagedAttention 深度解析：vLLM 如何用操作系统分页机制革命性管理 KV Cache 显存
在大模型推理的 Decode 阶段，每一个 token 的生成都需要访问之前所有 token 的 Key 和 Value 向量——这就是 KV Cache。一个 70B 参数的模型在 4K 上下文下，单请求的 KV Cache 就可能占用超...