标签：Continuous Batching

2026-09-25andy阅读(9)

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...

2026-08-19andy阅读(139)

引言：LLM 推理服务的吞吐量困局 当我们将一个大语言模型部署到生产环境时，最核心的挑战往往不是模型本身的精度，而是如何高效地利用 GPU 算力服务海量并发请求。一个 7B 参数的模型在单张 A100 上串行推理，每个请求可能需要数百毫秒到...

2026-07-27andy阅读(166)

引言：为什么 Batching 策略决定了推理服务的天花板 在大模型推理服务的工程实践中，有一个经常被低估却至关重要的设计决策：如何将并发的用户请求组织成批次（Batch）送入 GPU 执行。这个看似简单的调度问题，实际上直接决定了服务的吞...

2026-07-26andy阅读(562)

系统讲解大模型 PD 分离部署：Prefill 与 Decode 的资源差异、KV Cache 传输、调度策略、网络要求，以及 vLLM 和 SGLang 的选型方法。