Weaviate 1.40 发布
Weaviate 1.40 将删除命名向量与 4-bit 旋转量化转为正式可用(GA),在 HFresh 上新增多向量嵌入并支持 PathSeer…

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
Weaviate 1.40 将删除命名向量与 4-bit 旋转量化转为正式可用(GA),在 HFresh 上新增多向量嵌入并支持 PathSeer…

通过 GitHub Actions 或 Azure Pipelines 发布 Visual Studio Code 和 Visual Studio…

pg_pinecone 是一个开源(Apache 2.0)Postgres 扩展,可对你已存储的数据进行搜索,构建在支撑 Pinecone 大规模运…

Together GPU 集群自动修复可检测 GPU、主机与互联故障,挑选最轻量的修复方式,并让你按故障类型和 Xid 代码决定哪些修复自动执行。以…
作者:Praneeth Yenugutala、Victor Dusa、Anastasia Samoilova、Megan Ren、Justin We…

Serdar Cellat、Yuchen Xie、Bernadette Marcu、Blaid Burgess、Cody Jarrett、Carlo…

无需离开 VS Code,即可完成构建、查询与故障排查。Microsoft for Developers。

Chroma Cloud 将于 2026 年 11 月 22 日停止接受写入,并于 2026 年 12 月 22 日停止提供读取。本指南介绍如何在计…
Weaviate 的 GraphQL API 自 2026 年 10 月 26 日起弃用。请查看 Weaviate Cloud 与自托管版本的时间表…

超过 11 小时的编程视频,内容涵盖评估、推理时扩展、强化学习和蒸馏,使用 Python 与 PyTorch。

Ollama 现已支持语音模型,首个是来自 Gradium 的 Phonon。可用五种语言、数十种音色朗读文本,生成即流式输出,在 Apple Si…


作者 Roberto Perez Alcolea,Java 平台团队。Quasar 将拟议的 API 变更与消费方仓库中实际观察到的引用关联起来,为…