技术栈
TECH 收录 0 篇 更新于 58 分钟前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。
GPU 显存计算器
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。
部署速查
人工整理 · 2026-11-13 核对 · 只给选型口径,不替代压测推理引擎对照
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 |
左右滑动查看全部列 →
三条落地路径
按预算与合规要求选档,不是模型越大越好-
试水 单卡 24–48GB POC、内部知识库、离线批处理
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
-
生产 8 卡 96GB 级(TP=8) 在线推理、多租户 API
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
-
信创 8 卡国产加速卡 合规要求、行业私有云
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
上线前 6 项硬检查
按顺序过一遍,能挡掉大部分返工-
01
显存留 15% 余量KV Cache 峰值随并发与长请求抖动
-
02
max_model_len 与业务上下文对齐超限请求会被直接拒绝,不是截断
-
03
TP>2 走 NVLink 或 PCIe 4.0 x16否则卡间通信先成为瓶颈
-
04
gpu_memory_utilization 默认 0.9同卡还有别的进程时要下调
-
05
先锁引擎 / 驱动 / CUDA 版本矩阵再压测,避免「升级即回退」
-
06
先定 SLO(TTFT、每用户 token/s)再调批处理与分块预填充
厂商专栏
✦ 人工精选(阅读量 10 万+ · 来源可核验)· 其余为站内采集 · 每次打开取最新国内厂商
深度求索
1 篇
各 MoE 模型采用哪种路由?DeepSeek、Qwen、Mixtral、Llama 4、gpt-oss 对比
采集 · MarkTechPost · 11-08
查看该厂商全部 →
海外参考
字节跳动 · 最新
实时更新该分类暂无内容,编辑正在补充。
已经到底了