vLLM 是一款专为大语言模型推理加速而设计的框架，实现了 KV 缓存内存几乎零浪费，解决了内存管理瓶颈问题。
更多 vLLM 中文文档及教程可访问 →https://vllm.hyper.ai/
vLLM 是一个快速且易于使用的库，专为大型语言模型 (LLM) 的推理和部署而设计。
vLLM 的核心特性包括：
- 最先进的服务吞吐量
- 使用 PagedAttention 高效管理注意力键和值的内存
- 连续批处理传入请求
- 使用 CUDA/HIP 图实现快速执行模型
- 量化： GPTQ, AWQ, INT4, INT8, 和 FP8
- 优化的 CUDA 内核，包括与 FlashAttention 和 FlashInfer 的集成
- 推测性解码
- 分块预填充
vLLM 的灵活性和易用性体现在以下方面：
-
无缝集成流行的 HuggingFace 模型
-
具有高吞吐量服务以及各种解码算法，包括并行采样、束搜索等
-
支持张量并行和流水线并行的分布式推理
-
流式输出
-
提供与 OpenAI 兼容的 API 服务器
-
支持 NVIDIA GPU、AMD CPU 和 GPU、Intel CPU 和 GPU、PowerPC CPU、TPU 以及 AWS Neuron
-
前缀缓存支持
-
支持多 LoRA
欲了解更多信息，请参阅以下内容：
-
vLLM announcing blog post (PagedAttention 教程)
-
vLLM paper (SOSP 2023)
-
How continuous batching enables 23x throughput in LLM inference while reducing p50 latency by Cade Daniel et al.
-
vLLM 聚会
文档
入门
安装
使用 ROCm 进行安装
使用 OpenVINO 进行安装
使用 CPU 进行安装
使用 Neuron 进行安装
使用 TPU 进行安装
使用 XPU 进行安装
快速入门
调试提示
示例
部署
OpenAI 兼容服务器
使用 Docker 部署
分布式推理和服务
生产指标
环境变量
使用统计数据收集
整合
使用 CoreWeave 的 Tensorizer 加载模型
兼容性矩阵
常见问题解答
模型
支持的模型
添加新模型
启用多模态输入
引擎参数
使用 LoRA 适配器
使用 VLMs
在 vLLM 中使用推测性解码
性能和调优
量化
量化内核支持的硬件
AutoAWQ
BitsAndBytes
GGUF
INT8 W8A8
FP8 W8A8
FP8 E5M2 KV 缓存
FP8 E4M3 KV 缓存
自动前缀缓存
简介
实现
广义缓存策略
性能基准测试
vLLM 的基准套件
开发者文档
采样参数
离线推理
-
LLM 类
-
LLM 输入
vLLM 引擎
LLM 引擎
-
LLMEngine
-
AsyncLLMEngine
vLLM 分页注意力
-
输入处理
-
概念
-
查询
-
键
-
QK
-
Softmax
-
值
-
LV
-
输出
输入处理
-
指南
-
模块内容
多模态
-
指南
-
模块内容
Docker 文件
vLLM 性能分析
-
示例命令和用法
-
离线推理
-
OpenAI 服务器
社区
vLLM 聚会
赞助商
索引和表格
-
索引
-
模块索引
