去年造巨型内核,今年删除:通往 Together Compiler
Together Compiler 使用 AI 智能体重写并融合模型前向传播中的 GPU 内核,在 B200 上比手写巨型内核快 28%(Llama…

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
Together Compiler 使用 AI 智能体重写并融合模型前向传播中的 GPU 内核,在 B200 上比手写巨型内核快 28%(Llama…

智能体每一轮都会重发完整会话。Together AI 与 Ollama 详解如何从执行框架到 GPU 保护前缀缓存。
.png)
IT之家 11 月 14 日消息,开发者 Georgi Gerganov(X 账号为 @ggerganov)昨日(11 月 13 日)在 X 平台发…

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…
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…
对 10 个开放 MoE 模型如何路由 Token 的配置核验式对比:总参数与激活参数、专家数量、top-k、共享专家、门控函数以及负载均衡方法。
本文是一份完整的编程指南,介绍 NVIDIA 的 Dory 1.0 4B 循环语言模型。了解如何构建锁定版本的 llama.cpp 分支、分析逐循环…

面向初学者的 AI 智能体,第 2 部分:该智能体在三种数据库工具之间做选择,用每次返回的结果决定下一次调用,若陷入卡顿则在第八轮触发断路机制停止。
用 Hermes Agent 和 Ollama 搭建一个本地多智能体旅行规划器:一个协调者加三个专业智能体,分别负责研究目的地、推荐住宿,并生成真实…

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…

来自 Cloudflare 的 27B 多模态决策模型 Clef 现已上线 Ollama,可在本地或 Ollama 云端运行。


Reflection 的首个开放权重模型现已在 Ollama 上线,仅限时免费;Beam 面向软件工程、推理与长时间运行的智能体任务,可通过 Oll…