合成走私:在 LLM 输出中恶意隐藏推断的个人属性
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…
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
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…
许多假设竞相解释知识蒸馏为何成功。为帮助厘清这一问题,我们提出并分析了一种蒸馏的数学模型,该模型表明蒸馏的性能并非来自……
可变性是现代 GPU 系统的固有特征,源于制程差异、动态环境条件与功耗管理决策的共同作用。已有工作刻画了 GPU 之间的可变性……
内存决定边缘设备能运行哪些 LLM,以及运行得快不快:4 GB 的 Jetson Nano 受限于容量,8 GB 的 Jetson Orin Nan…
数据中心规模的大语言模型(LLM)推理从根本上受制于内存容量与带宽瓶颈。由于模型权重是只读的,且在各实例间完全相同,传统架构……
传统的应付账款和发票处理工具往往迫使企业在取舍之间做出选择……

AI 智能体正在逼近数据仓库的极限。一名人类分析师可能会运行一次……


一项可复现的测试对比了 BM25、嵌入与父文档,说明为何作者自写的评估会高估搜索效果,以及答案在上下文中出现的位置为何重要。
Pinecone 集成嵌入现已支持 Google 的 Gemini Embedding 2。只需将其设置在文本字段上,发送纯文本即可。
了解图增强 RAG 如何把普通向量检索遗漏的关联事实连接起来,再用 AWS Labs 的开源工具 graphrag-toolkit、Neo4j 和…

我们研究同步无线电网络中的多点到多点多播,其中参与者位置未知且消息聚合不受限制。设 $n$ 为网络规模,$k$ 为参与者数量,$d$ 为…
Gondola 帮助创意工作者获得署名与工作机会,Codex 使其首席工程师的产出提升 50%,ChatGPT 则简化了日常工作。