vLLM 补充各硬件性能优化
vllm_project · x · 2026-07-12
这是 vLLM 0.25.0 相关的硬件与性能补充说明，重点在不同平台上的优化：
- NVIDIA / GB300：FlashInfer 的 fused all-reduce 针对 GB300 调优，Blackwell 的 NVFP4 decode 吞吐恢复，补上 FA4-MLA warmup 与 XQA decode kernels
- GLM-5.2 / DeepSeek：fused indexer kernel 带来约 1.9–3.3% 端到端吞吐提升，reduce-scatter MoE all-reduce 提升约 3%，DSv4 的 tokentoreqindices cache 让某些 kernel 有 5–6x 加速
- AMD ROCm：torch 2.11 stable ABI、AITER FlashAttention MLA prefill backend、shared-expert fused kernel
- Intel XPU：W8A8 FP8 linear kernel、多粒度量化、FA2 的 uniform-batch CUDA graphs
- CPU / 其他架构：AArch64 上 unquantized MoE 更快，修复 Apple Silicon hang，支持 RISC-V RVV INT4 GEMM 和 PowerPC fp16
所属事件:vLLM 0.25.0 大版本发布：架构升级与多硬件性能优化(5 条相关)→
「Infra」频道最新
- Engram 随机读取不适合 SSD，CPU 内存低延迟共享或成正解 — bookwormengr · 2026-09-11
- 劝退帖:推理工程是真金白银的硬活,八成尝鲜者已悄然放弃 — abhijithneil · 2026-09-11
- Hugging Face《Ultra Scale Playbook》:GPU 集群训练 LLM 的免费技术书 — mdancho84 · 2026-09-11
- 从聊天到 Agent,推理延迟正在成为生产级瓶颈 — Euphoric_Sea632 · 2026-09-11
- 推理服务关键指标盘点:流式速度 TPOT 与可用性如何影响体验 — abhijithneil · 2026-09-11
- PlanetScale 推出分片 Postgres,768 台服务器组成 1PB 单库 — dhruv2038 · 2026-09-11