在 AWS Trainium 上用 SGLang-Neuron 部署前沿模型
SGLang-Neuron 现已通过 AWS Deep Learning Container 公开可用。借助 SGLang-Neuron,你可以在…

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
SGLang-Neuron 现已通过 AWS Deep Learning Container 公开可用。借助 SGLang-Neuron,你可以在…

Reynold Xin 的文章《从单体到 Lakebase 再到 LTAP》解释了 LTAP 是什么,以及……

Amplitude 的主动式产品智能体 Wave 主要基于 OpenAI 模型构建,可识别该构建什么,帮助团队借助编码智能体交付改动,并衡量其影响。

随着航空航天、制造业、生命科学等数据密集型行业的组织……
模型架构决定了 LLM 的扩展行为、训练效率与推理成本,因而成为产业界和学术界共同关注的核心。在产业界,DeepSeek、Qwen 和 Kimi 背…
模型架构决定 LLM 的扩展行为、训练效率与推理成本,因此是产业界和学术界共同关注的核心。在产业界,DeepSeek、Qwen、Kimi 背后的团队…
上下文归因研究的是:移除提示中的某些部分会如何改变语言模型的输出。我们研究针对由 n 个 Token 构成的提示和固定测量函数的留一法(LOO)归因…
局部二值模式(LBP)至今仍是从工业检测到医学影像领域使用最广泛的纹理描述子之一。然而其半径、采样角度、颜色变换与阈值对每种……都需要手工固定。
我们研究 LLM 是否以及如何编码目标:即先于并指导行动的内部神经表征,它们足够灵活,可通过多种不同的执行路径实现。我们构建了一套编码…
我们研究 LLM 是否以及如何编码目标:这类内部神经表征先于行动出现并指导行动,且足够灵活,可通过许多不同的执行路径实现。我们构建了一个编码……
端侧推理需要能有效利用本地加速器的内核。对生成 Apple Metal 内核的模型而言,高效的训练与评估可受益于原生 macOS 工具以及并发的智能…
我们提出 Synthesis Smuggling,一种新型威胁模型:对抗性 LLM 可从常规的求助交互中推断用户的敏感信息,并以隐写方式将其编码进看…