编译专用 GPU 发起式网络通信
机器学习系统会针对工作负载与硬件对计算做专用化,但通信仍依赖通用库,其设备端代码与传输决策对高层编译器不可见。我们提出 O…
大模型从架构到上线的实现路径:框架怎么选、模型怎么部署、Token 怎么省、厂商怎么做。
选模型与精度,实时拆解权重 / KV Cache / 框架开销,并给出可落地卡型与卡数
口径:工具为资料库同名页面的站内副本(发布版本 15,数据更新 2026-11-09),测算含权重冗余、KV Cache、框架开销与 5% 安全余量,结果为选型参考,实际以压测为准。价格为该工具自带口径(人民币含税渠道价 / 美区按需折算),与本频道下方「部署速查」和算力频道的价格表分开阅读,不可互相推算。上游更新后重跑 tools/sync_vram_tool.py 同步,版本号随之变化,浏览器缓存自动失效。
多数团队先用 vLLM 起步,压测后再按吞吐或国产化要求换引擎
| 引擎 | 关键机制 | 量化与并行 | 硬件平台 | 选型提示 |
|---|---|---|---|---|
| vLLM通用开源首选 | PagedAttention 分页 KV、连续批处理、前缀缓存 | AWQ / GPTQ / FP8;TP、PP 并行 | NVIDIA / AMD / 昇腾(社区版) | 生态最广、特性跟进快,生产环境锁版本 |
| SGLang高并发与多轮对话 | RadixAttention 前缀树复用、约束解码 | 与 vLLM 主流量化基本一致;TP | NVIDIA / AMD | 前缀命中收益取决于请求相似度 |
| TensorRT-LLM固定模型追极致吞吐 | 编译期图优化、In-flight Batching | FP8 / FP4(按架构);按卡型编译 | NVIDIA | 与驱动、CUDA、TRT 版本强绑定,升级要重建 engine |
| LMDeploy国产开源模型适配快 | TurboMind 引擎、KV 量化 | AWQ / INT4 KV | NVIDIA | 新模型支持跟进快,覆盖面不及 vLLM |
| llama.cpp / Ollama单机、边缘、个人 | GGUF 量化、CPU/GPU 混合卸载 | Q2–Q8 GGUF | CPU / Apple Silicon / 消费卡 | 并发弱,不适合多租户生产 |
| MindIE昇腾原生栈 | CANN + ATB 算子、连续批处理 | 昇腾量化(W8A8 等) | 昇腾 910B / 910C / 950 系列 | 模型需完成算子适配,交付前逐项验证 |
卡型RTX 4090 24GB / L40S 48GB
模型8B–32B,INT4/AWQ
引擎Ollama 起步,转 vLLM
约束并发与长上下文先到瓶颈
卡型H20 96GB / 昇腾 950PR 112GB
模型70B FP8 或百 B 级 MoE
引擎vLLM / SGLang / TensorRT-LLM
约束要 NVLink 或 PCIe 4.0 x16,看 TTFT 与故障域
卡型昇腾 910C 128GB / 910B 64GB
模型同参数档国产开源模型
引擎MindIE + CANN
约束算子覆盖与模型迁移成本先评估
机器学习系统会针对工作负载与硬件对计算做专用化,但通信仍依赖通用库,其设备端代码与传输决策对高层编译器不可见。我们提出 O…
本文提出针对三对角系数矩阵线性代数方程组的并行分区方法的多 GPU 版本与多 GPU 递归版本,及其在 CUDA 中的实现…
NCCL 等 GPU 通信库使用流式多处理器(SM)进行数据搬运与同步,会拖慢与之重叠的计算,且这一代价随互联带宽增长。我们提出 Zero-SM N…
Netflix 正在开发一种本体驱动的知识图谱,以加快生产环境调查,并让 AI 智能体对其运行环境形成统一理解。作者:Craig Risi
Gemma 4 E2B 起草回复,Bespoke Labs 的 Nimble 9B 决定接受、修改还是转人工复核,只有被标记的问题才会进行一次针对性…

本文从 AI 工作负载各阶段的 I/O 特征出发,对比 Amazon Simple Storage Service(Amazon S3)、Amazo…

Google 发布 TPU Sync,这是一个开源 C++ 库,可在 TPU 高带宽内存(HBM)、主机 DRAM、存储与网络之间迁移 KV 缓存和…
2026年11月12日——Colette Kress 接任临时 CEO。开源与美国 AI 领导地位将走向何方?
在本期播客中,Culture & Methods 栏目主编 Shane Hastie 与 Hugo Venturini 对话,探讨当 AI 编写代码…
Shield 借助 OpenAI,帮助 IT 技术人员在旧版门户中完成工作交接。其 Forge 智能体可自主操作这些系统,让技术人员专注于需要其判断…
天基数据中心设计正越来越多地考虑由星间光链路连接的 GPU 算力编队。在相邻连接有限的情况下,被分配到互不相连 GPU 的作业仍可能在共享资源上产生…
基于栈的重汇聚使共享 warp 程序计数器与紧凑控制流状态的高效 SIMT 执行成为可能。但其对分支路径的固定串行化,可能使依赖 warp 内…的程…