汤不热吧
SGLang 推理框架部署实战全攻略：从安装配置到高性能服务上线的完整指南
SGLang 是由 LMSYS 团队（ChatBot Arena 的创建者）开源的大语言模型推理框架，凭借 RadixAttention 前缀复用技术和结构化生成能力，在多轮对话、Agent 工作流和 JSON 结构化输出场景中展现出显著优...
ai-infra
第2页
TensorRT-LLM 部署实战全攻略：从模型转换到高性能推理服务的完整搭建指南
在众多大模型推理框架中，NVIDIA 的 TensorRT-LLM 凭借对 GPU 硬件的深度优化，一直是吞吐量和延迟性能的天花板级选手。然而，它陡峭的学习曲线和复杂的模型转换流程让不少工程师望而却步——你需要理解 checkpoint 转...
vLLM 推理参数调优全攻略：从 gpu_memory_utilization 到 max_num_batched_tokens 的性能优化实战
在大模型推理部署中，vLLM 凭借 PagedAttention、Continuous Batching 等核心技术成为了最流行的推理框架之一。然而，很多开发者在部署 vLLM 时仅仅使用了默认参数，并没有深入理解每个启动参数对吞吐量、延迟...
四大推理框架性能基准测试实战：vLLM、SGLang、TensorRT-LLM 与 TGI 在 Llama 3 上的吞吐量、延迟与显存对比
大模型推理框架的选型是每一个 AI Infra 工程师绕不开的话题。当前主流的开源推理框架——vLLM、SGLang、TensorRT-LLM 和 HuggingFace TGI——各有特色，但到底哪个更适合你的业务场景？本文将通过真实的基...
张量并行（Tensor Parallelism）推理部署实战：从 Megatron-LM 切分原理到 vLLM 多卡配置与性能调优
当大语言模型的参数量从 7B 一路攀升到 70B 甚至 405B 时，单张 GPU 的显存早已无法容纳完整模型。以 Llama-3-70B 为例，仅 FP16 权重就需要约 140GB 显存，远超单张 A100-80G 的容量上限。此时，将...
TGI（Text Generation Inference）部署与调优实战：HuggingFace 推理框架架构解析与性能基准测试
在大模型推理框架的赛道上，vLLM 和 SGLang 风头正劲，TensorRT-LLM 凭借 NVIDIA 官方加持占据高端市场，但 HuggingFace 推出的 TGI（Text Generation Inference）依然是很多团...
DeepSeek MLA（多头潜在注意力）深度解析：如何用低秩压缩将 KV Cache 压缩到原来的 1/10
在大模型推理的工程实践中，KV Cache 是一把双刃剑：它通过缓存历史 Token 的 Key 和 Value 向量避免了重复计算，是自回归推理加速的基石；但它同时也是显存消耗的”头号杀手”。以一个 70B 参数模...
S-LoRA 深度解析：大模型多租户推理中如何让数千个 LoRA 适配器共享一个基座模型？
在大模型落地应用的过程中，一个愈发普遍的需求是：同一个基座模型（如 LLaMA-3-70B），需要同时服务数千个不同的下游任务。每个任务有自己的微调权重——客服对话、代码补全、文档摘要、多语言翻译……如果为每个任务都部署一个独立模型副本，显...
大模型推理中的 Prefix Caching 与 RadixAttention 深度解析：从 KV Cache 复用到请求调度的全链路优化
为什么 Prefix Caching 成为大模型推理的必备优化？ 在大模型推理服务的生产环境中，一个经常被忽视但影响巨大的现象是：大量请求共享相同的前缀。无论是系统提示词（System Prompt）、Few-shot 示例，还是多轮对话中...
大模型训练中的梯度累积深度解析：从数学原理到 Megatron-LM 流水线并行的工程实现
引言：为什么梯度累积是大模型训练的”隐形基础设施” 在 ChatGPT 横空出世的三年后，大模型训练的”显学”似乎已经从单卡微调转移到了千卡预训练。各类技术文章铺天盖地讨论着 3D 并行、Ze...