- 综合排序
- 最热优先
- 最新优先
大模型推理 DPTPPPEP 理解
TP：Tensor Parallel，张量并行 2.1 直观理解 2.2 TP 的基本图示 2.3 TP 的计算流程 2.4 TP 为什么常用于大模型推理？ 汇总 │ ↓ 每张 GPU 得到完整或所需结果 2.4 TP 为什么常用于大模型推理？ 四种并行方式的核心区别 可以用这张总图理解： 大模型多 GPU 推理并行 │ ┌───── 张卡才能放下 建议： TP=8 DP=1 结构： GPU0-7 一起跑一个模型副本 适合： 大 Dense 模型 单副本推理 缺点： 只有一个副本，并发能力主要靠 continuous batching 和 KV Cache 的关系 大模型推理时，KV Cache 非常关键。
77310编辑于 2026-05-06- 来自专栏机器学习与统计学
纯离线安装大模型推理引擎，部署量化大模型
大家好，我是 Ai 学习的老章 继续介绍大模型推理引擎+Llama.cpp，前文我写了# 内网部署 llama.cpp，运行量化大模型，详细介绍了 llama.cpp 这个推理引擎，内网离线 cmake 本文我们用个更省事儿的内网离线部署方式——Docker，然后用其部署量化大模型，其中踩坑若干，才有如此精炼、极简教程 1、联网环境拉取 llama.cpp 镜像并保存 选择镜像最好是官方，比如 llama.cpp server-cuda https://github.com/ggml-org/llama.cpp/blob/master/docs/docker.md 市面上有很多个人打包的镜像，大多都是阉割版 费老大劲搞进去，发现大模型无法加载 3、**在内网服务器（x86）加载镜像 # 加载镜像,加载过程需要一些时间，完成后，Docker 会输出加载的镜像信息。 5、启动大模型 docker run --rm --runtime nvidia -e TZAsia/Shanghai --gpus "device=2" -v /opt/data/ai/GGUF:/models
2.2K10编辑于 2025-10-11 - 来自专栏spring-ai 系列
大语言模型推理框架调研
引言大语言模型（LLM）的迅猛发展及其在自然语言处理、代码生成、多模态交互等领域的广泛应用，对底层推理基础设施提出了前所未有的挑战。 本文主要对当前主流的大语言模型推理框架进行系统性调研与分析，将深入探讨各个框架的核心架构、设计理念、关键技术特点，并结合性能基准测试数据，分析其在不同模型规模和部署场景下的适用性。 这些优化方向的有效结合，是现代 LLM 推理框架提升效率的关键。III. 主流大模型推理框架当前，业界涌现了多款主流的大模型推理框架，它们在设计理念、核心技术和适用场景上各有侧重。 内存优化：通过在不同的解码器层之间重用内存缓冲区来减少内存占用，这对于层数非常多的大模型（如 GPT-3 有 96 层）尤其重要，理论上可以将这部分内存需求降低到原来的 1/96。 这可能会驱动未来推理框架在数据和资源管理方面向更统一的设计演进。IX. 总结与建议大语言模型推理框架是释放 LLM 潜能、将其应用于实际生产的关键技术。
4.5K20编辑于 2025-06-03 - 来自专栏算法进阶
大模型的模型压缩与有效推理综述
3 量化 量化是指将输入值从一个较大的连续集合映射到一个较小的有限集合的过程。它是降低大型语言模型内存成本和加速推理的最直接方法，特别是在支持低比特数据类型快速操作的硬件上。 这些方法采用与中等规模语言模型所使用的并行方法相同的方法，但省略了微调过程。表3总结了LLM的各种修剪方法，这些方法在LLM领域具有广泛的应用前景。 表3 对LLM的各种修剪方法的总结 4.3.2 LLM的非结构化剪枝 非结构剪枝方法在保持模型性能方面具有优势，能够实现50%的稀疏度比率，被广泛用作后续方法的基准。 虽然这些方法难以提高推理速度，但它们可以与N:M稀疏性结合以加速推理速度。这些方法需要最少的校准数据，即对模型的一次前向传递专门获取激活值或梯度以计算权重的重要性。 因此，选择预训练蒸馏和微调蒸馏之间的通用方法取决于如何在模型大小和性能之间进行权衡。 5.3 大语言模型的知识蒸馏方法 大型语言模型数量不断增加，但许多模型是闭源的，这限制了学生模型的知识获取。
1.7K10编辑于 2024-07-10 - 来自专栏AI工程落地
大语言模型推理优化论文-EdgeMoE
解决方案 - EdgeMoE 提出 EdgeMoE，一个专门为混合专家（Mixture-of-Experts, MoE）架构的稀疏大型语言模型设计的设备端推理引擎。 EdgeMoE 的核心设计理念是将模型分区存储到不同的存储设备中： 非专家权重（“热权重”）：常驻设备内存（因为它们每个 token 推理都需要使用）。 如图 8(左) 所示，若已知前两层激活，则第 3 层有 87.1% 概率激活第 5 号专家，即 P(E₃=5 | E₁=3, E₂=1)=87.1%；图 8(右) 进一步统计不同激活路径证实了这一点。 实践中，EdgeMoE 每层可预加载 1–3 个专家，具体取决于计算-I/O 速度差距。 ，从而在资源受限的边缘设备上实现了大型稀疏 MoE 语言模型的高效（内存+计算）推理。
67010编辑于 2025-07-18 - 来自专栏AI技术探索和应用
使用vLLM加速大语言模型推理
介绍 vLLM 是一个快速且易于使用的库，用于 LLM 推理和服务，和 HuggingFace 无缝集成。 区别于 chatglm.cpp 和 llama.cpp，仅是在 GPU 上的模型推理加速，没有 CPU 上的加速。 在吞吐量方面，vLLM 的性能比 HuggingFace Transformers （HF） 高出 24 倍，文本生成推理 （TGI） 高出 3.5 倍。 vllm-project/vllm 文档：https://vllm.readthedocs.io/en/latest/models/supported_models.html 支持 HuggingFace 上的模型 安装 pip install vllm 检查模型是否被 vLLM 支持，返回成功则是支持的。 from vllm import LLM llm = LLM(model=...
24.4K21编辑于 2024-03-13 - 来自专栏算法一只狗
国内热门推理大模型指南
自从OpenAI o1大模型出现之后，把大模型数学推理能力和代码编程能力推向了一个新的高度。国内各大厂商也看到了这个新的蓝海，纷纷推出了自家的推理大模型。 因此这篇文章主要介绍三个最近比较热门的推理大模型。 在训练过程中，模型根据需要自行选择这些标签，根据其自己的判断激活每个阶段。与OpenAI o1大模型一样，所有阶段都由模型在单个推理过程中完成。 写在最后这次把国内的一些近期有名的推理大模型做了一些简单的介绍和基础的评测，发现这些专门针对推理的大模型应该都是沿用了OpenAI o1大模型的那个技术。 这种技术包含了隐式化的COT生成和Post-training，确实能够有效提升大模型的推理能力。相信不久之后这些推理大模型将会在各个领域发挥更大的作用。
99310编辑于 2024-12-24 - 来自专栏自然语言处理
推理大模型的后训练增强技术--LLM 推理模型的现状
虽然强化学习允许模型发展更具战略性的思维和自我改进能力，但它也面临着诸如奖励黑客攻击、不稳定性和高计算成本等挑战。 3. 他们的结果表明，通过正确的推理时扩展方法，10 亿参数的模型可以胜过缺乏推理时扩展的 4050 亿参数的 Llama 3 模型。 更好的反馈和编辑模型 (Better Feedback and Edit Models) 3 月 6 日，专用反馈和编辑模型支持开放域通用任务的推理时扩展 (Dedicated Feedback and 比如，Claude 3.7 Sonnet 和 Grok 3 都为用户提供了显式的“思考”开关，而 OpenAI 则采用了模型切换的方式，要求用户在使用推理能力更强的模型时，手动切换到 GPT-4o/4.5 或 o1/o3-mini。
1.3K11编辑于 2025-03-13 - 来自专栏算法一只狗
国内AI推理大模型可用吗？
我这里推荐两个比较强的推理大模型。 KIMI推出的数学推理模型k0-math KIMI推出的数学推理模型k0-math，可以直接去到官网体验 在 Kimi 网页版中，选择侧边栏的“眼镜”图标，即可使用基于 k0-math 模型的 Kimi 说实话，就算我自己打字也觉得这个假期太复杂了，简直像是念咒语一样 那时候中国网友就为了这个调休到底最后休了多少天而计算起来 既然这么难，恰好可以丢给大模型进行问答，看看具备了数学推理能力的k0-math 说实话，就算我自己打字也觉得这个假期太复杂了，简直像是念咒语一样 那时候中国网友就为了这个调休到底最后休了多少天而计算起来 既然这么难，恰好可以丢给大模型进行问答，看看具备了数学推理能力的k0-math 说实话，就算我自己打字也觉得这个假期太复杂了，简直像是念咒语一样 那时候中国网友就为了这个调休到底最后休了多少天而计算起来 既然这么难，恰好可以丢给大模型进行问答，看看具备了数学推理能力的k0-math
50310编辑于 2025-01-10 - 来自专栏xiaosen
FastLLM高性能大模型推理库
纯c++实现，便于跨平台移植，可以在安卓上直接编译 支持读取Hugging face原始模型并直接量化 支持部署Openai api server 支持多卡部署，支持GPU + CPU混合部署 fastllm模型 # from_hf接口只能接受原始模型，或者ChatGLM的int4, int8量化模型，不能转换其它量化模型 from ftllm import llm model = llm.from_hf (model, tokenizer, dtype = "float16") model.save("qwen0_5B.flm") 现在可以使用fastllm_pytools包来启动一个大模型对话服务了 ： python3 -m fastllm_pytools.chat --path /home/qwen0_5B.flm 也可以根据webui.py指定的参数来启动webui服务： python3 -m fastllm_pytools.webui --path /home/qwen0_5B.flm --port 8000 以及部署API Server： python3 -m fastllm_pytools.server
92920编辑于 2024-11-21 - 来自专栏自然语言处理(NLP)论文速递
重新定义大模型推理！Google | 提出SELF-DISCOVER框架，大模型可自写推理结构！
引言 在人工智能领域，大模型（LLMs）如GPT-4和PaLM 2在文本生成方面展现了强大性能。然而，这些模型在处理复杂推理任务时仍面临挑战。 为了提升大模型解决复杂问题的能力，受到人类认知理论的启发，人们提出了各种提示（Prompt）方法。 这个计划以键值对的形式呈现，类似于JSON，以便于模型理解和执行。这个过程不仅包括元提示，还包括一个人类编写的推理结构示例，以帮助模型更好地将自然语言描述转化为结构化的推理计划。 「阶段二：应用发现推理结构」 完成阶段一之后，模型将拥有一个专门为当前任务定制的推理结构。在解决问题的实例时，模型只需遵循这个结构，逐步填充JSON中的值，直到得出最终答案。 这个过程的关键在于，它允许模型在没有人类干预的情况下，自主地生成适合特定任务的推理结构，这不仅提高了模型的推理能力，而且提高了推理过程的可解释性。
96110编辑于 2024-03-11 - 来自专栏喔家ArchiSelf
大模型服务的推理优化探索
本文尝试讨论将 LLM 推理服务更改为高吞吐量引擎的挑战与应对方法。 1. 大模型服务面临的挑战 大模型的能力令人惊叹，但其独特的工作特性却给高性能服务部署带来了挑战。 更巧妙的是，该方法还将向上投影的权重矩阵与查询矩阵进行融合，从而加快注意力的计算速度，进一步提升推理效率。 3. 推理优化之推测性解码 推测性解码（Speculative Decoding） 是加速大语言模型推理的重要技术之一。 草稿模型可以是一个小型神经网络模型，例如参数规模在 1B～3B 的模型，甚至也可以是基于统计的 N-gram 模型。而目标模型则通常是拥有数十亿甚至上万亿参数的大模型。 这一方法为构建高性能、低延迟的大模型推理服务平台提供了重要参考。 7. 推理优化的其他方法 在大语言模推理优化领域，有一些方法已经相对成熟，并被广大工程师广泛使用。
4.4K10编辑于 2025-07-08 - 来自专栏算法一只狗
国内AI推理大模型怎么样？
近年来，国内在人工智能领域，特别是大规模语言模型（LLM）的推理能力方面，取得了显著进展。多家科技公司和研究机构相继推出了具备强大推理能力的AI大模型。 该模型在某些数据集上的表现已超过OpenAI的o1模型。这里我主要介绍两个推理大模型，看看他们的效果到底怎么样。 ，比如MATH-500中，其取得的效果还要比OpenAI的o1大模型效果要好。 目前QWQ放出来的版本，参数量只有32B，这个模型在本地也能够运行，也就是人人都能够自己搭建一个o1水平的推理模型写在最后尽管国内AI大模型在推理能力上取得了长足进步，但与国际领先模型相比，仍存在一定差距 特别是在复杂推理、数学和代码生成等领域，国内模型还有提升空间。然而，随着技术的不断发展和各大厂商的持续投入，国内AI大模型的推理能力有望进一步提升。
86310编辑于 2025-01-02 - 来自专栏AIGC大模型应用
大模型推理能力的局限性
然而，尽管这些模型表现出色，它们在推理和理解复杂上下文方面仍然面临重大挑战。这些模型擅长识别并模仿训练数据中的模式，但当任务需要真正的理解和逻辑推理时，它们往往遇困。 1 关键推理挑战1.1 缺乏真正的理解语言模型的工作原理是根据训练过程中学到的模式预测下一个关键词，而不像人类真正理解其所讨论的内容。因此，在需深层理解的复杂推理任务，LLM 表现不佳。 当需要整合对话或文本的多个部分时，模型可能会出现推理错误。例如，在一场长时间的讨论或复杂的故事叙述中，模型可能会忘记或误解之前的信息，导致后续的矛盾或错误结论。 1.4 回答无解问题回答无解问题是 LLM 推理能力的一大挑战。当面对悖论、无明确答案的问题，或与已知事实相矛盾的问题时，LLM 可能难以提供有意义或连贯的回答。 这表明，它们可能只是记住了某些已知问题的解决方案，而不是进行真正的推理。3 研究人员如何改进 LLM 的推理能力？
78200编辑于 2025-03-24 - 来自专栏AI工程落地
大语言模型推理优化论文-Reasoning on a Budget
论文地址：https://arxiv.org/pdf/2507.02076 研究机构：华为诺亚方舟实验室 摘要 这篇论文主要讨论了如何提高大型语言模型（LLMs）在推理时的计算效率。 可控测试时间计算需要用户预先设置一个预算约束，而自适应测试时间计算则会根据问题难度和模型推理能力动态分配计算资源。这两种方法都通过衡量推理路径中每个步骤的性能和效率指标来实现高效推理。 推理感知微调： 训练时模拟推理过程（如Best-of-N采样），使模型适应测试环境。 元推理器（MetaReasoner）： 动态监控推理进度，遇困时触发策略调整（如："当前路径无效，建议回溯步骤3"）。 长短思维链蒸馏： 教师模型生成长短两种CoT 学生模型学习"何时用短CoT"（如添加[简单]标签） 突破：模型自适应选择推理深度。
63010编辑于 2025-07-21 - 来自专栏AutoML(自动机器学习)
大模型推理框架 vLLM 源码解析（一）
该脚本会自动将模型以张量并行的方式在两个 GPU 上进行推理计算。 整个推理过程大大致流程如下图所示，即 1 给定一定数量的 prompts（字符串数组） 2. vllm 会使用 Scheduler 模块自动对需要推理句子进行调度 3. 3. Sequence 如上图我们可以看到 vLLM 为输入的句子设计了很多子模块，这些模块的用处各不相同，但是有彼此之间有关系，下面分别详细介绍一下。 WAITING = enum.auto() # 等待中，句子还没开始推理，或者推理还未结束 RUNNING = enum.auto() # 运行中 SWAPPED = enum.auto 这些参数的设置通常取决于具体需求和模型性能。以下是一些常见的设置指导方法： temperature：较低的温度（如0.2）会产生更确定性的结果，而较高的温度（如0.8）会产生更随机的结果。
3.8K10编辑于 2024-02-05 - 来自专栏AI学习笔记
安全推理：TEE+大模型加密框架
通过隔离敏感数据和代码，TEE 能够有效抵御各种攻击，为大模型加密推理提供了一个安全的基础。III. 大模型推理加密方法在大模型推理过程中，数据的加密处理至关重要。 对于大规模大模型推理，可能需要结合多种加密技术，以在安全性和效率之间取得平衡。IV. TEE+大模型加密框架实现方案结合 TEE 技术和大模型加密方法，我们可以构建一个安全的大模型推理框架。 TEE+大模型加密推理的实例分析为了更好地理解 TEE+大模型加密框架的实际应用，我们选取了一个医疗诊断的实例进行分析。 模型优化 ：对大模型进行量化、剪枝等优化，降低模型的计算复杂度，从而间接减少加密推理的性能开销。 结论TEE+大模型加密框架为解决数据隐私与安全问题提供了一种创新的解决方案。通过结合 TEE 技术和大模型加密方法，该框架在保护数据隐私的前提下，实现了高效、准确的大模型推理。
1.1K10编辑于 2025-07-15 - 来自专栏AI前沿技术
大模型高效推理｜投机解码原理介绍
3）介绍贪婪解码和投机采样，两种验证规则如何平衡输出质量和效率。 token，然后使用目标大语言模型，一次性的并行验证所有草稿token是否可接收，进而达到一次解码输出多个token的效果，实现大模型推理速度的加倍。 3，验证 verification 设计 在解码的每一步，生成的多个草稿token需要经过并行的验证，来保持与大语言模型输出的一致性。验证规则大体可分为：贪婪解码和投机采样。 大模型推理-page attention 内存分页术 大模型推理-极致化的批处理策略介绍 大模型推理- PD分离部署，势在必行！ 大模型推理-高效推理必备KV cache 大模型训练-混合专家系统MoE 大模型训练-Nvidia GPU 互联技术全景图 大模型训练-流水线并行PP 大模型训练-张量并行TP
1.5K10编辑于 2026-01-13 - 来自专栏锤子代码
Nginx反向代理大模型推理接口(SSE)
Nginx作用这么大？ 在后台写了一个接口，用来调用第三方的AI接口，SSE方式返回。 用普通的Nginx代理配置接口返回特别慢。 找了下原因，发现是代理配置有问题。 http://192.168.0.105:228866 这个地址是你对应第三方AI大模型返回数据的接口。
1.2K10编辑于 2025-04-04 - 来自专栏自然语言处理
如何微调推理大模型？以Qwen3DeepSeek-R1为例
Qwen3是阿里云通义千问团队于2025年4月29日发布的最新大型语言模型系列，包含2个MoE模型和6个Dense模型。 刚好最近在做一个推理训练任务，现在有现成的训练集，推理模型这么强的情况下，怎么把之前传统对话大模型+指令微调训练模式 转变成推理大模型+指令微调任务？ 方法1：通过推理大模型将指令数据集蒸馏为推理数据 通过能力比较强的推理大模型底座将之前指令数据集蒸馏为思维链数据集，然后进行筛选过滤。 方法2：使用COT数据集构造推理大模型训练数据 下面以一个推理数据集为例， medical-o1-reasoning-SFT医学推理数据集，该数据集基于医学可验证问题和 LLM 验证器构建,这个数据集构造过程和方法 直接使用指令数据集微调推理大模型 那么还有一种方式就是，我们是不是也可以直接通过比较"素"的指令数据集训练R1类似模型呢，答案是可以！
1.7K10编辑于 2025-05-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号